UNIVERSIDADE FEDERAL DE MINAS GERAIS

FACULDADE DE CIÊNCIAS ECONÔMICAS

CENTRO DE PÓS-GRADUAÇÃO E PESQUISAS EM ADMINISTRAÇÃO

EDUARDO AMAT SILVA

GOVERNANÇA CORPORATIVA E DESEMPENHO FINANCEIRO: UMA

ANÁLISE DAS EMPRESAS INOVADORAS LISTADAS NA B3

BELO HORIZONTE
2023
 EDUARDO AMAT SILVA

GOVERNANÇA CORPORATIVA E DESEMPENHO FINANCEIRO: UMA

ANÁLISE DAS EMPRESAS INOVADORAS LISTADAS NA B3

Tese de Doutorado apresentada ao Centro de Pós-

Graduação e Pesquisa em Administração da
Universidade Federal de Minas Gerais, como
requisito parcial para obtenção de título de Doutor em
Administração.

Linha de Pesquisa: Finanças

Orientador: Prof. Antônio Artur de Souza, Ph.D.

Coorientador: Prof. Dr. Frank Magalhães de Pinho.

BELO HORIZONTE
2023
 Ficha catalográfica

S586g Silva, Eduardo Amat.

2023 Governança corporativa e desempenho financeiro [manuscrito]:
uma análise das empresas inovadoras listadas na B3 / Eduardo Amat
Silva. – 2023.
1v.: il.

Orientador: Antônio Artur de Souza

Coorientador: Frank Magalhães de Pinho.
Tese (doutorado) – Universidade Federal de Minas Gerais, Centro de
Pós-Graduação e Pesquisas em Administração.
Inclui bibliografia.

1. Governança corporativa – Teses. 2. Empresas - Finanças - Teses. 3.

Administração – Teses. I. Souza, Antônio Artur de. II. Pinho, Frank
Magalhães de. III. Universidade Federal de Minas Gerais. Centro de Pós-
Graduação e Pesquisas em Administração. IV. Título.

CDD: 658
Elaborado por Fabiana Santos CRB-6/2530

Biblioteca da FACE/UFMG. – FS 110/2023

“Meu filho, falar é fácil. Quero ver fazer”.
(Meu Pai).
 AGRADECIMENTOS

A Erika, pelo incentivo e apoio ao longo deste período.

Aos meus homens, Matheus e Lucas, pela paciência que tiveram comigo ao longo
destes anos, tendo de me aguentar em tudo.
A Erika, ao meu pai Almir e minha irmã Marta, pois sem o apoio e suporte destes
com a máxima absoluta certeza esta tese não se concluiria.
Ao meu irmão Fábio, que sempre perguntava como estava o doutorado e a minha
mãe, Maria Ignez, que estando no céu deve ter apreciado o meu esforço aqui embaixo.
Ao professor Antônio Artur de Souza, pela sua enorme paciência, consideração e
atenção que teve comigo para a conclusão desta tese.
Aos membros da banca pela consideração em analisar o meu trabalho e me perdoar
pelos desatinos apresentados.
Aos professores Hudson Fernandes do Amaral e Marcio Augusto Gonçalves, pela
amizade de longos e longos anos e por sempre me incentivarem a fazer este curso.
A professora Kely César Martins de Paiva, por sempre deixar bem claro, para
mim, que este curso não era bem o reino de Hogwarts, como alguns gostavam de dizer.
As minhas quatro amigas superpoderosas Camila, Dani, Sabrina e Simone, sem
a ajuda delas esse curso teria sido muito mais difícil. E em especial, a Camila, pois suas
ajudas ao longo deste curso foram simplesmente divinas.
Ao Daniel Pereira Alves de Abreu por me ajudar, em muito, nos cálculos, análises
e pela paciência para comigo.
Ao professor Paulo Cesar Machado Feitosa, amigo de longa data pelo seu caráter,
respeito e postura, que sempre teve para comigo e também por me fazer refletir em
diversas questões. Ao Sr. Marcelo José Mattoso d´Avila, o único chefe que tive que me
ensinou o que eu deveria fazer como chefe, pois todos os outros me ensinaram o que eu
não deveria fazer.
Aos meus amigos Brajipta Brahma, companheiro de todas as horas, a Marilene e
Norma pela ajuda e conselhos de sempre e também a Silvânia, que usufruindo dos ventos
alísios, me avisou antecipadamente como seria o processo.
Ao meu saudoso e querido amigo Carlos Eduardo Cunha Nahuz, o Kiko, que lá
do céu deve estar gargalhando pelo seu amigo agora ser “Ph.D.”
E por último, meu companheiro e segurança que esteve literalmente ao meu lado
ao longo destes anos, nesta pesquisa, meu amigo MC Toddy Boladão.
 RESUMO

Nesta pesquisa, procurou-se analisar a existência da relação entre governança corporativa

e desempenho financeiro em empresas classificadas como inovadoras em relação às não
inovadoras, listadas na B3 e os efeitos da conjuntura econômica no período de 2016 a
2022, observando se foi detectada diferença no desempenho financeiro das empresas, ao
apresentarem níveis diferenciados de Governança Corporativa e também em relação ao
período da COVID. A relevância do fato de as empresas serem inovadoras ou não é
apresentado na literatura, como uma forma de as mesmas apresentarem um melhor
desempenho financeiro, bem como a adoção de prática de governança, visto que tal
aspecto é bem recebido pelo mercado. Para elaborar a devida análise, foi utilizado o
modelo de dados em painel, para investigar as relações referentes ao desempenho
financeiro das empresas. Os seguintes indicadores foram utilizados: (a) para governança
corporativa: se a empresa possui um dos níveis diferenciados de governança corporativa;
(b) para o desempenho financeiro: ROA, ROI, ROIC, sendo que foi adotado o regime do
fluxo de caixa; (c) para o desempenho de mercado: Book to Market e o Índice P/L; (d)
para o desempenho interno: Eficiência Operacional, Liquidez, Endividamento e
Imobilizado; (e) para a classificação de inovadora ou não: adoção do selo da ANPEI; e
(f) para as variáveis macroeconômicas: PIB, LFT e IPCA. Para a determinação do melhor
modelo a ser utilizado, foram feitos os seguintes testes: i) Comparação entre Pooled e
Efeitos Fixos; ii) Comparação entre Pooled e Efeitos Aleatórios; iii) Comparação entre
Efeitos Fixos e Efeitos Aleatórios. Aquele que apresentou melhor resultado foi o modelo
de Efeitos Fixos. Quanto à variável COVID, seu objetivo foi medir o efeito da pandemia
antes e depois para verificar se houve algum impacto sistêmico nas empresas. Quanto aos
resultados apurados nesta pesquisa, destacam os setores Imobiliário e o de Tecnologia de
Informação, que apresentaram valores relevantes nas correlações entre as variáveis. Isso
ocorreu em função das suas características em relação as suas condições de mercado,
especificamente no mercado brasileiro. Por sua vez, as outras correlações, referentes a
outros setores, apresentaram baixos valores e, na sua maioria, sem nível de significância.
Assim, no que se refere a objetivos e hipóteses apresentados, foi indicado que a questão
da adoção das práticas de Governança Corporativa e das empresas de serem classificadas
como inovadoras não se mostrou tão efetiva, conforme apresentado na literatura. Porém,
determinados setores, principalmente o Imobiliário e o de Tecnologia de Informação,
apresentaram valores relevantes nas correlações entre as variáveis. Isso ocorreu em
função das suas características em relação as suas condições de mercado, especificamente
no mercado brasileiro. Os resultados deste trabalho evidenciaram que o fato de as
empresas serem inovadoras ou não inovadoras, além de apresentarem níveis
diferenciados de governança corporativa, não influenciam, de forma efetiva, no
desempenho financeiro destas. A contribuição deste trabalho está na questão do resultado
da interação entre o que se constituem empresas inovadoras e não inovadoras, tendo elas
níveis diferenciados de governança, e a maneira como estas características vêm a afetar
o seu desempenho financeiro.

.
Palavras-Chaves: governança corporativa; desempenho financeiro; inovação; conjuntura
econômica.
 ABSTRACT

In this research, we analyzed the existence of the relationship between corporate

governance and financial performance in companies classified as innovative in relation
to non-innovative, listed on B3 and the effects of the economic situation in the period
from 2016 to 2022. Observing whether a difference was detected in the financial
performance of companies, when they presented different levels of Corporate
Governance. The relevance of companies being innovative or not is presented in the
literature, as a way for them to present a better financial performance and to adopt a
governance practice, since it is well received by the market. To elaborate the proper
analysis, the panel data model was used to investigate the relationships in relation to the
financial performance of the companies. The following indicators were used: (a) for
corporate governance: if the company has one of the differentiated levels of corporate
governance; (b) for financial performance: ROA, ROI, ROIC, adopting the cash flow
system; (c) for market performance: Book to Market and the P/E Ratio; (d) for internal
performance: Operating Efficiency, Liquidity, Indebtedness and Fixed Assets; (e) for
classification as innovative or not: adoption of the ANPEI seal; and (f) for
macroeconomic variables: GDP, LFT and IPCA. To determine the best model to be used,
the following tests were performed: i) Comparison between Pooled and Fixed Effects; ii)
Comparison between Pooled and Random Effects; iii) Comparison between Fixed Effects
and Random Effects. So, what showed the best result was the Fixed Effects model. As
for the COVID variable, its objective was to measure the effect of the pandemic before
and after to verify if there was any systemic impact on companies. As for the results
obtained in this research, the Real Estate and Information Technology sectors stand out,
which presented relevant values in the correlations between the variables. This occurred
due to its characteristics in relation to its market conditions specifically in the Brazilian
market. In turn, the other correlations, referring to other sectors, showed low values and,
for the most part, no significance level. Thus, with regard to the objectives and hypotheses
presented, it was indicated that the issue of the adoption of corporate governance practices
and companied being classified as innovative did not prove to be as effective, as presented
in the literature. However, certain sector, mainly, Real Estate and Information
Technology, presented relevant values in the correlations between the variables. This
occurred due to its characteristics in relation to its market conditions, specifically in the
Brazilian market. The results of this thesis showed that the fact that companies are
innovative or not innovative, in addition to having different levels of corporate
governance, do not effectively influence their financial performance. The contribution of
this thesis lies in the question of the result of the interaction between what constitute
innovative and non-innovative companies, having different levels of governance, and the
way in which these characteristics come to affect their financial performance.

Keywords: corporate governance; financial performance; innovation; economic scenario

 LISTA DE GRÁFICOS

Gráfico 1– EFOP x CFROA/CFROE/CFROIC por setor ......................................................... 126

Gráfico 2 - LIQ x CFROA/CFROE/CFROIC por setor ............................................................ 130
Gráfico 3 - ENDIV x CFROA/CFROE/CFROIC por setor ...................................................... 134
Gráfico 4– IMOB x CFROA/CFROE/CFROIC por setor ........................................................ 138
Gráfico 5– L NATIVO x CFROA/CFROE/CFROIC por setor ................................................ 142
Gráfico 6– Evolução da Variáveis Macroeconômicas ............................................................. 146
Gráfico 7– Variáveis Macroeconômica x CFROA por setor .................................................... 148
Gráfico 8– Variáveis Macroeconômica x CFROE por setor ..................................................... 151
Gráfico 9– Variáveis Macroeconômica x CFROIC por setor ................................................... 154
Gráfico 10 - COVID x CFROA/CFROE/CFROIC por setor .................................................... 156
Gráfico 11– INOV x CFROA/CFROE/CFROIC por Setor ...................................................... 159
Gráfico 12- Resultado da regressão BtM x EFOP/LIQ/END/IMOB/L NATIVO por setor .... 162
Gráfico 13– BtM x Variáveis Macroeconômicas por setor ....................................................... 168
Gráfico 14– BtM x COVID por setor........................................................................................ 169
Gráfico 15– BTM x INOV por setor ......................................................................................... 171
Gráfico 16- Resultado da regressão P/L x EFOP/LIQ/END/IMOB/L NATIVO por setor....... 172
Gráfico 17- P/L x Variáveis Macroeconômicas por setor ......................................................... 175
Gráfico 18- P/L x COVID por setor .......................................................................................... 177
Gráfico 19- P/L x INOV por setor ............................................................................................ 177
Gráfico 20- CFROA x NGC x Variáveis .................................................................................. 183
Gráfico 21– CFROA x NGC x Variáveis Macroeconômicas ................................................... 184
Gráfico 22– NGC x INOV ........................................................................................................ 185
Gráfico 23- CFROE x NGC x Variáveis Desempenho ............................................................. 187
Gráfico 24- CFROE x NGC x Variáveis Macroeconômicas .................................................... 187
Gráfico 25- CFROIC x NGC x Variáveis Desempenho ........................................................... 190
Gráfico 26- CFROIC x NGC x Variáveis Macroeconômicas ................................................... 190
Gráfico 27- COVID x NGC ...................................................................................................... 192
Gráfico 28- BtM x NGC x Variáveis Desempenho .................................................................. 192
Gráfico 29- BtM x NGC x Variáveis Macroeconômicas .......................................................... 192
Gráfico 30- P/L x NGC x Variáveis Desempenho .................................................................... 192
Gráfico 31- P/L x NGC x Variáveis Macroeconômicas ............................................................ 192
Gráfico 32- P/L x NGC x COVID ............................................................................................ 192
Gráfico 33- P/L x NGC x INOV ............................................................................................... 192
 LISTA DE QUADROS

Quadro 1: Tipos de Contratos entre o Principal e o Agente ........................................................ 26

Quadro 2: Definições de Governança Corporativa ..................................................................... 35
Quadro 3: Mecanismos Externos de Governança Corporativa ................................................... 38
Quadro 4: Escândalos Financeiros – Brasil, Estados Unidos e Europa ...................................... 41
Quadro 5: Evolução da Governança Corporativa no Brasil até o final do séc. XX .................... 44
Quadro 6: Medidas adotadas visando implantação da Governança Corporativa no Brasil......... 45
Quadro 7: Características Centrais dos Níveis de Governança Corporativa ............................... 47
Quadro 8: Modelos adotados de Governança Corporativa ......................................................... 56
Quadro 9: Indicadores de Desempenho Financeiro .................................................................... 62
Quadro 10: Requisitos para uma firma ser considerada inovadora – Rothwell (1989)............... 69
Quadro 11: Requisitos para uma firma ser considerada inovadora – Tidd et al. (1997) ............ 70
Quadro 12: Quadro comparativo requisitos em inovação Rothwell (1989) x Tidd et al. (1987) 71
Quadro 13: Modelos de Auditoria Tecnológica. ......................................................................... 76
Quadro 14: Metodologias de Mensuração de Inovação .............................................................. 81
Quadro 15: Estudos sobre Eficiência Operacional ...................................................................... 91
Quadro 16: Estudos sobre Liquidez ............................................................................................ 95
Quadro 17: Estudos internacionais sobre Liquidez ..................................................................... 98
Quadro 18: Estudos sobre Endividamento ................................................................................ 102
Quadro 19: Estudos sobre L Nativo (Tamanho) ....................................................................... 104
Quadro 20: Estudos sobre Imobilizado ..................................................................................... 106
Quadro 21: Indicadores Fundamentalistas ................................................................................ 109
Quadro 22: Setores Econômicos Estudados .............................................................................. 110
Quadro 23: Efeitos das variáveis no desempenho por setor. ..................................................... 200
Quadro 24: Efeito das Variáveis Macroeconômicas por setor. ................................................. 200
Quadro 25: Efeito da variável COVID por setor....................................................................... 201
Quadro 26: Efeito da variável INOV por setor. ........................................................................ 201
Quadro 27: Efeitos da variável BtM por setor. ......................................................................... 202
Quadro 28: Efeitos das Variáveis Macroeconômicas, Covid e Inov em relação a variável BtM
por setor..................................................................................................................................... 199
Quadro 29: Efeitos da variável P/L por setor. ........................................................................... 199
Quadro 30: Efeitos das variáveis Macroeconômicas, Inov em relação a variável P/Lpor setor.
................................................................................................................................................... 200
Quadro 31: Efeitos dos NDGC para as variáveis de desempenho. ........................................... 201
Quadro 32: Efeitos dos NDGC para as variáveis de desempenho com base no BtM e P/L...... 202
 LISTA DE TABELAS

Tabela 1- Resultados das regressões (Geral) para as variáveis de desempenho e mercado

...................................................................................................................................... 118
Tabela 2- Resultados da regressão - CFROA ............................................................... 119
Tabela 3- Resultados regressão - CFROE .................................................................... 119
Tabela 4– Resultados da regressão - CFROIC ............................................................. 119
Tabela 5- Resultados da regressão - BtM ..................................................................... 119
Tabela 6- Resultados da regressão – P/L ...................................................................... 119
Tabela 7- Resultados das regressões para o modelo EF ............................................... 123
Tabela 8- Resultados da regressão EFOP x CFROA/CFROE/CFROIC por setor ....... 125
Tabela 9- Resultados da regressão LIQ x CFROA/CFROE/CFROIC por setor .......... 129
Tabela 10- Resultados da regressão ENDIV x CFROA/CFROE/CFROIC por setor .. 138
Tabela 11- Resultados da regressão IMOB x CFROA/CFROE/CFROIC por setor .... 138
Tabela 12- Resultados da Regressão L NATIVO x CFROA/CFROE/CFROIC por setor
...................................................................................................................................... 142
Tabela 13- Evolução das Variáveis Macroeconômicas ................................................ 145
Tabela 14- Resultados da regressão das Variáveis Macroeconômicas x CFROA por
setor .............................................................................................................................. 147
Tabela 15- Resultados da regressão Variáveis Macroeconômicas x CFROE por setor 151
Tabela 16- Resultados da regressão Variáveis Macroeconômicas x CFROIC por setor
...................................................................................................................................... 153
Tabela 17- Resultado da regressão COVID x CFROA/CFROE/CFROIC por setor ... 156
Tabela 18- Resultados da regressão INOV x CFROA/CFROE/CFROIC por setor .... 159
Tabela 19- Resultados da regressão BtM x EFOP/LIQ/ENDIV/IMOB/L NATIVO por
setor .............................................................................................................................. 162
Tabela 20- Resultados da regressão BTM x Variáveis Macroeconômicas por setor ... 167
Tabela 21- Resultados da regressão BtM x COVID por setor ..................................... 169
Tabela 22- Resultados da regressão BtM x INOV por setor ........................................ 171
Tabela 23- Resultados da regressão P/L x EFOP/LIQ/END/IMOB/L NATIVO por setor
...................................................................................................................................... 172
Tabela 24- Resultados da regressão P/L x variáveis macroeconômicas por setor ....... 175
Tabela 25- Resultados da regressão P/L x COVID por setor ....................................... 177
Tabela 26- Resultados da Regressão P/L x INOV por setor ........................................ 179
Tabela 27– Regressão CFROA x NGC x Variáveis ..................................................... 182
Tabela 28- Resultados da regressão CFROE x NGC para as variáveis........................ 186
Tabela 29- Resultados da regressão CFROIC x NGC para as variáveis ...................... 189
Tabela 30- Resultados da regressão BTM x NGC x Variáveis .................................... 193
Tabela 31- Resultados da regressão P/L x NGC para as variáveis ............................... 195
 LISTA DE SIGLAS

ANEEL: Agência Nacional de Energia Elétrica

ANPEI: Associação Nacional de Pesquisa e Desenvolvimento das Empresas Inovadoras
B2B: Business to Business
B2C: Business to Consumer
B3: Brasil, Bolsa, Balcão
BMF: Bolsa de Mercadorias e Futuros
BOVESPA: Bolsa de Valores do Estado de São Paulo
CEO: Chief Executive Officer
CVM: Comissão de Valores Mobiliários
CMPC: Custo Médio Ponderado de Capital
DFC: Demonstração de Fluxo de Caixa
EBITDA: Lucro antes de Juros, Impostos, Depreciação e Amortização
EVA: Economic Value Added
EA: Efeitos Aleatórios
EF: Efeitos Fixos
ESG: Environmental, Social and Governance Score
IbrX 50: Índice Brasil 50
IEE Bovespa: Índice de Energia Elétrica
IFRS: International Financial Reporting Standards
IPC: Índice de Preços ao Consumidor
IPO: Initial Public Offering
LFT: Letra Financeira do Tesouro
LPA: Lucro por Ação
NOPAT: Net Operating Profit After Taxes
NDGC: Nível Diferenciado de Governança Corporativa
NM: Novo Mercado
OECD: Organização para Cooperação e Desenvolvimento Econômico
P&D: Pesquisa e Desenvolvimento
PIB: Produto Interno Bruto
PROUNI: Programa Universidade para Todos
ROA: Retorno sobre o Ativo
ROE: Retorno sobre o Capital Próprio
ROI: Retorno sobre o Investimento
ROIC: Retorno sobre o Capital Próprio Investido
RROI: Resilience Return on Investment
SELIC: Sistema Especial de Liquidação e Custódia
S&P: Standard and Poor´s 500
VPL: Valor Presente Líquido
 SUMÁRIO
1 INTRODUÇÃO ........................................................................................................................... 18
1.1 Objetivos ....................................................................................................................... 20
1.2 Hipóteses ....................................................................................................................... 21
1.3 Justificativa da Pesquisa ................................................................................................ 21
2 REVISÃO DE LITERATURA ......................................................................................................... 24
2.1 Teoria da Agência.......................................................................................................... 24
2.2 Teoria da Firma e a Nova Teoria da Firma (NTF) ........................................................ 28
2.3 Governança Corporativa ................................................................................................ 32
2.3.1 Definições ................................................................................................................... 34
2.3.2 Mecanismos Internos e Externos de Governança Corporativa .................................. 36
2.3.3 Governança Corporativa no Mundo........................................................................... 39
2.3.4 Governança Corporativa no Brasil ............................................................................. 43
2.3.5 Níveis de Governança Corporativa ............................................................................. 46
2.3.6 Modelos de Governança Corporativa ........................................................................ 54
2.3.7 Governança Corporativa e Desempenho Financeiro ................................................. 56
2.3.8 Indicadores de Desempenho Financeiro .................................................................... 58
2.4 Inovação ........................................................................................................................ 64
2.4.1 Identificação da Firma inovadora............................................................................... 66
2.4.2 Competências à Inovação .......................................................................................... 67
2.4.3 Governança da Inovação ............................................................................................ 72
2.4.4 Auditoria Tecnológica e de Inovação ......................................................................... 74
2.4.5 Modelos e Metodologias de Auditorias ..................................................................... 74
2.4.6 Inovação e Desempenho financeiro ........................................................................... 81
2.5 Contexto Macroeconômico ........................................................................................... 83
2.5.1 Ciclos Econômicos ...................................................................................................... 83
2.5.2 Ambiente Macroeconômico e Desempenho Financeiro ........................................... 85
2.5.3 Indicadores Macroeconômicos .................................................................................. 86
3 GESTÃO DA FIRMA E VARIÁVEIS DE DESEMPENHO FINANCEIRO ............................................ 89
3.1 Eficiência Operacional .................................................................................................. 89
3.2 Índices de Liquidez........................................................................................................ 91
3.2.1 Índice de Liquidez Geral ............................................................................................. 93
3.2.2 Índice de Liquidez Corrente ....................................................................................... 93
3.2.3 Índice de Liquidez Seca .............................................................................................. 93
3.2.4 Índice de Liquidez Imediata........................................................................................ 94
 3.2.5 Estudos Anteriores ..................................................................................................... 94
3.3 Estrutura de Capital ....................................................................................................... 99
3.3.1 Índices de Endividamento .......................................................................................... 99
3.4 L Nativo (Tamanho) .................................................................................................... 103
3.4.1 Estudos Anteriores.................................................................................................... 103
3.5 Imobilizado .................................................................................................................. 104
3.5.1 Estudos Anteriores ................................................................................................... 105
4 TRATAMENTO DE DADOS ....................................................................................................... 107
4.1 Delineamento da Pesquisa ........................................................................................... 107
4.2 População e Seleção da Amostra ................................................................................. 107
4.3 Variáveis Dependentes ................................................................................................ 108
4.4 Variáveis Macroeconômicas ....................................................................................... 108
4.5 Variáveis Internas das Empresas ................................................................................. 109
4.6 Modelos de Dados em Painel ...................................................................................... 112
4.7 Modelo de Pooled OLS ............................................................................................... 113
4.8 Modelo de Efeitos Fixos .............................................................................................. 114
4.9 Modelo de Efeitos Aleatórios ...................................................................................... 114
5 DETERMINAÇÃO DA ABORDAGEM EM PAINEL ...................................................................... 116
6.1 Análise das Regressões........................................................................................................ 120
6.1.1 Análise geral da regressão (CFROA) ....................................................................... 120
6.1.2 Análise geral da regressão (CFROE)........................................................................ 121
6.1.3 Análise geral da regressão (CFROIC) ...................................................................... 122
6.2 Análise dos resultados das regressões das variáveis de desempenho por setor ........... 123
6.2.1 Variável EFOP ........................................................................................................... 124
6.2.2 Variável LIQ .............................................................................................................. 128
6.2.3 Variável ENDIV.......................................................................................................... 132
6.2.4 Variável IMOB........................................................................................................... 137
6.2.5. Variável L NATIVO (Tamanho) ................................................................................. 141
6.3 Análise da influência das variáveis macroeconômicas nas variáveis de desempenho 145
6.3.1 Análise CFROA/Setor ................................................................................................ 146
6.3.2 Análise CFROE/Setor ................................................................................................ 150
6.3.3. Análise CFROIC/Setor .............................................................................................. 152
6.4 Análise da variável COVID para CFROA/CFROE/CFROIC ..................................... 155
6.5 Análise da Variável INOV para CFROA/CFROE/CFROIC ....................................... 159
6.6 Análise da variável BtM em relação ao EFOP/LIQ/ENDIV/IMOB/L NATIVO por setor
........................................................................................................................................... 161
6.6.1 Análise das Variáveis Macroeconômicas no BtM para cada setor ........................... 166
6.6.2 Análise da Variável COVID no BtM ........................................................................... 168
 6.6.3 Análise da Variável INOV no BtM ............................................................................. 169
6.7 Análise da variável P/L em relação ao EFOP/LIQ/ENDIV/IMOB/L NATIVO por setor
........................................................................................................................................... 171
6.7.1 Análise das Variáveis Macroeconômicas na variável P/L para cada setor ............... 174
6.7.2 Análise da Variável COVID no P/L............................................................................. 176
6.7.3 Análise da Variável INOV no P/L............................................................................... 179
6.8 Análises NGC x Variáveis........................................................................................... 180
6.8.1 Análises dos resultados da regressão CFROA x NGC ................................................ 181
6.8.2 Análises dos resultados da regressão CFROE x NGC ................................................ 185
6.8.3 Análises dos resultados da regressão CFROIC x NGC ............................................... 188
6.8.4 Análises dos resultados da regressão BtM x NGC .................................................... 192
6.8.5. Análises dos Resultados da Regressão P/L x NGC ................................................... 194
6.9 Síntese dos Resultados ............................................................................................... 199
7 CONCLUSÃO ........................................................................................................................... 207
REFERÊNCIAS ............................................................................................................................. 212
APÊNDICES ................................................................................................................................ 246
 18

1 INTRODUÇÃO
A prática da adoção da Governança Corporativa (GC) por parte das empresas tem
sido considerada como uma das formas eficazes de apresentar uma melhor imagem para
o mercado, vislumbrando situações que permitam demonstrar credibilidade, atrair
capitais para investimentos e também sua própria sustentabilidade. Empresas que,
porventura, não adotem tal procedimento, em comparação com as que adotam, poderão,
assim, vir a não ter a mesma facilidade em determinadas transações, como, por exemplo,
obtenção de crédito quando comparadas àquelas que adotam, e também nas negociações
das suas ações nas bolsas de valores, uma vez que tal procedimento é bem quisto pelo
mercado.

Segundo Silveira (2004), as empresas que adotam a governança corporativa vêm

a obter melhores resultados e também são mais bem avaliadas pelo mercado em relação
ao preço de suas ações. Neste contexto, pode-se relacionar a questão de que, dado o nível
de GC, este poderá vir, também, a influenciar no seu desempenho financeiro (DF). Ainda,
cabe, também, mencionar a relação existente entre inovação, no caso uma firma
considerada inovadora, e o seu DF, uma vez que Cho e Pucik (2005) observaram uma
relação positiva entre estes dois quesitos em empresas americanas juntamente a Brito et
al. (2009), que apontaram que a inovação afeta o crescimento das empresas.

A existência de firmas consideradas inovadoras passa a ser relevante no

entendimento do conceito de firma, que requer, para tal, conhecimentos que se inter-
relacionam dos pontos de vista organizacional, econômico, social e jurídico. Ao analisar
o termo firmas inovadoras, devem-se distinguir estes conceitos. Para Hart (1995), a firma
é como um conjunto de planos de produção viáveis que compra insumos e vende produtos
de modo a gerar lucros para os seus proprietários, maximizando seu bem-estar. Quanto à
inovação, Silveira e Oliveira (2013) a apontaram como um elemento que afeta a
economia, as organizações e a sociedade, assim como o seu próprio desempenho
financeiro, entre outros.

Objetivando a adoção de medidas que sirvam de alicerce para o uso de

mecanismos de GC, a Brasil, Bolsa, Balcão [B3] criou segmentos diferenciados para
empresas, listadas em sua bolsa, que passaram a adotar estas práticas. O intuito é que
estas empresas sejam observadas pelo mercado apresentando uma maior distinção, no
 19

tocante, à transparência na sua gestão, ampliação dos direitos acionários dos minoritários,
para que suas ações sejam melhor mensuradas nas negociações.

Assim, com vista à GC, o mercado parte do pressuposto de que as empresas que
aderiram aos segmentos especiais de listagem da B3 são geridas com maior controle e
transparência, podendo vir a influenciar no desempenho empresarial das mesmas, bem
como motivar o investidor a investir nessas empresas em detrimento das outras que não
adotaram tal procedimento. Por sua vez, também foram criados mecanismos de controle
com o objetivo de minimizar os conflitos de interesses entre as partes, no caso agentes e
principais, tentando estabelecendo normas de conduta que resguardem os ganhos futuros
dos investidores, além de uma maior atratividade destes em relação à empresa. Ressalta-
se assim, que a adoção de práticas de GC ganham relevo, pois se considera uma redução
no risco, o que alavanca benefícios tanto para a empresa como para os stakeholders, já
que evita abusos de poder, custos de agência, erros de gestão e fraudes corporativas;
incentivando, assim, uma maior confiança paras as empresas e para o mercado.

Andrade e Rossetti (2004) assinalaram que a adoção destas práticas afeta a

empresa como um todo, pois equilibra todos os interesses envolvidos, de modo a
gerar um melhor desempenho, uma vez que a empresa tenha uma administração que
incorpore os interesses entre as partes. Observa-se que, quanto maior o nível de GC,
melhor seria o desempenho empresarial, o que influenciaria positivamente no lucro
das empresas.
No tocante à questão da inovação, empresas consideradas inovadoras vêm a
apresentar um melhor desempenho, de acordo com a litertura. Para a OECD (2010), a
inovação tem relevância por se tratar de uma estratégia em que empresas obtêm uma
vantagem competitiva em relação aos seus concorrentes, visando seu crescimento. O
aspecto mencionado é corroborado por Rajapathirana & Hui (2018), pois tal estratégia
leva a uma melhor rentabilidade e também à sobrevivência da empresa no mercado.
Assim, a inovação apresenta um viés de vantagem competitiva e de sustentabilidade
paras as empresas que corroboram nesta busca, de modo a se diferenciar das suas
concorrentes e sinalizar ao mercado seus objetivos.
Contudo analisar tais desempenhos nestas empresas sem considerar a situação
macroeconômica do período pode levar a uma conclusão superficial de tais fatos, pois a
situação econômica do país são indicadores importantes que condicionam o desempenho
das empresas. Neste contexto, Wright (2000) corroborou dizendo que as forças
 20

econômicas causam um impacto relevante sobre os negócios e destacou principalmente o

PIB, taxa de juros e taxa de inflação. Andrade e Melo (2016) apontaram que, dado o
ambiente econômico e político, faz-se necessário exige um maior discernimento, por
parte dos agentes econômicos, em relação ao comportamento imprevisível das variáveis
macroeconômicas ao longo do tempo, pois essas apresentam forte impacto nas estratégias
das empresas objetivando um melhor desempenho financeiro.

Assim, para se chegar a uma conclusão mais aprofundada, é relevante analisar em

conjunto o nível de governança corporativa e a conjuntura macroeconômica do período,
através da mensuração estatística do impacto que essas variáveis macroeconômicas
podem ter causado no desempenho financeiro das empresas pesquisadas.

Este trabalho considera este o problema a ser pesquisado: As empresas listadas

classificadas como inovadoras de acordo com a Associação Nacional de Pesquisa e
Desenvolvimento das Empresas Inovadoras (ANPEI), listadas na B3, apresentam
desempenho financeiro diferenciado dada a adoção de práticas de Governança
Corporativa em comparação àquelas que não possuem tal prática, estando no mesmo
setor, de acordo com o contexto econômico analisado?

O problema deste estudo pode ser, assim, dividido em:

i) Qual é a relação entre a empresa considerada inovadora, adotando práticas de

Governança Corporativa, em relação às que não adotaram tais práticas, no tocante ao
desempenho financeiro?

ii) Qual é a relação do desempenho financeiro das empresas inovadoras e não inovadoras
em relação ao contexto econômico do país?

1.1 Objetivos
O objetivo geral desta tese foi verificar se as adoções das normas referentes à
governança corporativa influenciam no desempenho financeiro das empresas
consideradas inovadoras e não inovadoras, levando em conta, também, o ambiente
macroeconômico.

O objetivo geral foi dividido nos seguintes objetivos específicos:

i) verificar a existência da relação entre GC e DF considerando as empresas

inovadoras e não inovadoras; e
 21

ii) analisar a relação entre o DF e o nível de GC dessas empresas, considerando o

ambiente macroeconômico ao longo do período temporal analisado.

1.2 Hipóteses
Com base no que foi exposto e considerando que as empresas inovadoras tendem
a apresentar um desempenho financeiro superior ao de suas concorrentes e com a adoção
das melhores práticas de Governança Corporativa, teve-se como hipóteses deste estudo:

(H1): Análise das práticas de GC entre empresas inovadoras e não inovadoras;

(H2): Avaliar o desempenho financeiro das empresas inovadoras e não

inovadoras;

(H3): Verificar as relações entre GC e DF entre as empresas inovadoras e não

inovadoras; e

(H4): Investigar como as empresas inovadoras e não inovadoras respondem ao

contexto macroeconômico brasileiro.

Nesse sentido, esta tese abordou os fundamentos da Teoria da Agência e da Teoria

da Firma, da Inovação e da Economia que serão utilizados, com vistas a embasar os
estudos em GC juntamente à questão da empresa inovadora, levando em conta a
conjuntura econômica, sendo que se analisa o desempenho destas empresas no período
temporal analisado.

1.3 Justificativa da Pesquisa

As empresas são entes que impulsionam a economia, isto é, geram emprego e
renda para a sociedade, sendo que cada agente econômico tem seu papel a desempenhar,
na produção de bens e serviços, de modo a atender as suas próprias necessidades e
também as da sociedade. Assim, para Leite Filho e Figueró (2009), a relevância das
empresas, como geradora de recursos, perpassa por diversos fenômenos diretos e
indiretos que influenciam na operação desta, repercutindo no seu desempenho. Entre
todos esses fenômenos que afetam a empresa, a governança corporativa é um item que se
faz presente. Tanto que Silveira (2004) apresentou o pressuposto de que padrões elevados
de GC levam à maximização da riqueza dos acionistas, que resulta em um melhor
desempenho financeiro.
 22

Deste modo, a utilização de dados coletados na B3 a serem utilizados neste

trabalho, segundo Andrade e Melo (2016), é relevante, uma vez que determinam o
comportamento das empresas de capital aberto, sejam elas consideradas inovadoras ou
não, relacionando, assim, o seu desempenho financeiro com a conjuntura econômica,
servindo como um meio de fornecer maior transparência aos agentes econômicos, em
relação às análises de investimento. Este estudo foi, assim, elaborado com o intuito de
identificar a relação entre GC, DF, inovação e a conjuntura macroeconômica das
empresas de capital aberto listadas na B3.

Quanto à inovação, esta é considerada um dos fatores fundamentais para o

desempenho das empresas. Cho e Puick (2005) observaram uma relação direta e positiva
deste fator no bom desempenho das empresas norte-americanas, e Brito et al. (2009)
apontaram que o esforço inovador pode vir a afetar o crescimento das empresas. Contudo
Canela et al. (2015) apresentaram evidências empíricas de modo a não expor sustentação
a essa relação, uma vez que há dificuldade na mensuração da inovação e sua relação ao
desempenho, o que vai de acordo com o que Brito et al. (2009) concluíram, a saber, que
tal relação está convencionada, porém sua devida constatação empírica não colheu
resultados definitivos. O fato, pois, de uma empresa vir a ser considerada inovadora serve
como referência para que ocorra uma distinção entre as que são e as que não são, uma vez
que se observa que, quando a empresa é considerada inovadora, espera-se da mesma
melhor desempenho financeiro, mas pode não necessariamente ocorrer tal relação.
Quanto ao contexto macroeconômico, este foi definido com vistas às diversas
variações observadas na atividade econômica, de elevado e baixo crescimento, em função
das políticas adotadas, embora o cenário externo venha a influenciar neste aspecto. Por
conseguinte, optou-se por analisar a influência da GC no DF das empresas categorizadas
como inovadoras e não inovadoras, neste contexto, especificamente no período de 2016
a 2022. De acordo com Pessoa (2013), o autor apresentou uma visão econômica que
passou a ser mais intervencionista e protecionista, dando maior destaque à participação
estatal e, posteriormente, apresentando o caso contrário de diminuir as intervenções
estatais. Contudo, no referido período, a economia não apresentou os efeitos esperados,
visto que a diminuição nas taxas de juros não surtiu aumento nos investimentos e a
inflação em alta comprometeu o poder aquisitivo das famílias.

Esta tese pretende, portanto, abordar simultaneamente as teorias da agência, de

GC, da firma, inovação e economia analisando o DF das empresas de capital aberto, com
 23

ações negociadas na B3, que apresentem níveis de governança, sendo, ainda, classificadas
como inovadoras em comparação com as não inovadoras, segundo o selo da ANPEI, em
um período econômico determinado. A questão da escolha de empresas inovadoras se
justifica porque estas apresentam um comportamento que busca um maior dinamismo nas
suas diferentes esferas de organização e também há a relação deste desempenho com o
cenário macroeconômico delimitado, dada sua relevância.
Com base no exposto, o texto está organizado em seis seções. Na primeira seção,
constam as informações gerais sobre a tese, levando em conta o problema a ser
pesquisado, hipóteses, objetivo e justificativa. Na segunda seção, são apresentados os
aspectos relevantes acerca da dos tópicos teoria da agência, governança corporativa,
teoria da firma, inovação, indicadores macroeconômicos e desempenho financeiro. Na
terceira seção, é apresentada a mensuração para o desempenho financeiro. Na quarta
seção, são abordados os aspectos metodológicos, levando em conta informações quanto
à classificação da pesquisa, amostragem e variáveis do modelo a ser utilizado. Na quinta
seção, é apresentado especificamente o modelo de painel e, na sexta e última seção, o
análise e interpretação dos dados.
 24

2 REVISÃO DE LITERATURA
Nesta tese, será apresentada a fundamentação teórica sobre os seguintes tópicos: i)
teoria da agência; ii) teoria da firma e a nova teoria da firma; iii) governança corporativa;
iv) inovação; v) variáveis macroeconômicas; e vi) desempenho financeiro.

2.1 Teoria da Agência

Na administração de uma empresa, dois entes são de fundamental importância: os
proprietários (principal) que esperam auferir resultados/lucros e os seus gestores
(agentes), que administram o empreendimento no seu cotidiano. Foi possível, entretanto,
identificar comportamentos oportunistas por parte dos administradores da empresa, vindo
a ocorrer a possibilidade de existirem diversos conflitos de interesses entre as partes, isto
é, os próprios agentes e os acionistas da empresa agem de forma unilateral visando, cada
um deles, a seus próprios ganhos. Para minimizar os possíveis percalços na administração
da empresa, observou-se a possibilidade de elaborar determinados contratos com o
objetivo de minorar problemas presentes e futuros. Esses apresentam um mecanismo de
controle para ambas as partes. Contudo eles envolvem um custo, o que é chamado de
custo de agência, que se aproxima do problema referente à questão de monitoramento de
uma equipe, apresentado por Alchian e Demsetz (1972).

Com base no conceito de custo de agência, Jensen & Meckling (1976), os autores
apontaram como sendo: i) despesas com monitoramento das atividades dos agentes; ii)
despesas dos agentes em apresentar ao principal as medidas tomadas para resguardar o
interesse destes; e iii) despesas referentes à perda de riqueza do principal, no caso de
divergência entre as partes. Porém a execução de tais procedimentos teve como objetivo
minimizar os conflitos entre as partes, o que acabou, também, por levar a um outro tipo
de embate, neste caso, entre o principal e os credores da empresa. Isso ocorreu devido ao
fato de que tais despesas poderiam vir a diminuir os ganhos esperados dos credores, de
modo que tal questão levou a três novas situações a serem observadas. A primeira se dá
na utilização de capital de terceiros pelo acionista em novos investimentos, pois, sendo o
resultado esperado satisfatório, ambas as partes auferem ganhos, ao passo que, no caso
de insucesso, os credores poderão vir a não serem remunerados conforme o planejado.
Na segunda situação, quando a empresa está endividada e não pode fazer novos
investimentos, havendo, no caso, quaisquer ganhos extras, estes poderão vir a ser
direcionados, em grande parte, aos credores. E a terceira, e última, situação ocorre quando
 25

o acionista opta por retirar seu capital próprio via pagamento de dividendos, havendo
somente sobras residuais para os credores. Com vistas a estas três possibilidades, cabe o
destaque para o estudo de Morck, Shleifer e Vishny (1988) que complementa o de Jensen
e Meckling (1976), ao observar que, em relação à teoria da estrutura de propriedade, o
valor da empresa deverá aumentar, quando o acionista possuir uma maior quantidade de
ações em seu poder, e, sendo eles, também, os gestores, poderá incorrer em um custo de
agência menor.

Jensen & Meckling (1976) também observaram que a empresa é um processo em

que existem objetivos conflitantes entre indivíduos ou equipes no seu interior, de modo
que a elaboração de contratos visa alcançar um entendimento sobre determinadas
posições antagônicas dos responsáveis pela empresa. Com base nessa premissa, ocorreu
a ideia de monitoramento dos envolvidos dentro da empresa, o que se denominou como
teoria da agência, em que se discutem os problemas resultantes da separação entre
propriedade e gestão (problemas de agência), sendo essa questão relevante aos estudos da
GC. A premissa básica desta teoria é a de que ambas as partes, principal-agente, buscam
maximizar sua própria função utilidade, isto é, sua satisfação, de tal modo que o agente
nem sempre agirá no melhor interesse do principal, o que, por sua vez, poderá ocasionar
perdas no valor da empresa. O principal, por seu turno, poderá restringir as divergências
de seus interesses incorrendo em custos de monitoramento para limitar as atividades
oportunistas do agente, mas, por sua vez, estabelecendo incentivos para o agente.

Com o mesmo direcionamento, Eisenhardt (1989) assinalou que a relação de

agência ocorre nas diversas relações, até nas informais, de modo que a elaboração de
contratos se faz relevante pois acaba dando origem a determinados acordos que permitem
ao principal outorgar ao agente, isto é, atuar em seu nome. Para a autora, a teoria da
agência salienta que, dada a questão de os agentes terem um comportamento racional,
juntamente à assimetria de informações e propensão ao risco, a elaboração de contratos
se faz extremamente relevante para minimizar conflitos. O exposto poderá vir a ocasionar
possíveis tomadas de decisão que deverão ser mais eficientes, uma vez que, em função
de tais indefinições, passa a ocorrer uma racionalidade limitada por parte dos envolvidos.
Como observação, ainda, nesse contexto, Fama (1980) destacou duas situações em que o
mercado de trabalho e o mercado de capital também servem de mecanismos para controle
de qualquer tipo de atitude oportunista por parte dos agentes, pois, no primeiro caso,
mercado de trabalho, reflete a competência ou não do gestor e no segundo caso, mercado
 26

de capital observa se a empresa apresentou uma boa performance ou não visando à

valorização das suas ações. Com esse argumento, Jensen (1993) sugeriu a existência de
alguns pilares para atenuar os problemas de agência, sendo eles: i) mecanismos de
controles internos que passam pela atuação do Conselho de Administração; ii)
mecanismos de controle externos, no caso, mercado de capital, sistema jurídico e
regulatório; e iii) o mercado de trabalho para os dirigentes, o que vai ao encontro da
proposição de Fama (1980).

Outro aspecto relevante diz respeito à questão contratual, que é fundamental para
minimizar problemas de conflitos entre as partes, principal e agente, resguardando, assim,
os direitos de ambos e possibilitando uma gestão mais eficiente da empresa. Nesse
contexto, Milgrom e Roberts (1992) sugeriram a possibilidade de haver dois tipos de
contratos: i) o contrato First-Best, em que o principal remunera o agente com uma
determinada quantia em função de um trabalho previamente determinado e executado; e
ii) o contrato Second-Best, empregado quando não é possível se utilizar do contrato First-
Best, isto é, trata-se de um contrato de remuneração calculado em função do custo do
trabalho e de qualquer outro custo extra que possa existir. Contudo essa segunda opção
pode vir a ser temerária ao possibilitar a geração de um custo ainda maior. Outra
alternativa, ainda, seria a de remunerar o agente pelo seu desempenho no trabalho
contratado, embora seja um ganho variável, indo de acordo com sua atuação. Em
continuidade a esse tema, Posner (2002) citou, também, a possibilidade de haver três
outros tipos de contratos a serem elaborados entre as partes: i) Flat Rate Contract, em
que há somente um contrato com um valor pré-determinado já estabelecido para o agente;
ii) High Power Incentive Contract, um contrato de risco, em que, uma vez alcançado um
dado resultado, o agente será remunerado e, no caso de não atingimento, não haverá
qualquer remuneração; e iii) Mixed Contract, um contrato em que o risco é inerente ao
principal e ao agente, sendo que, no caso de atingimento, o principal remunera o agente
em um valor maior do que o negociado, mas, caso não ocorra o atingimento, o agente
receberá um valor a menor.

Quadro 1: Tipos de Contratos entre o Principal e o Agente

Tipos de Contratos Definições
First Best. A remuneração do agente é determinada pelo
principal.
 27

Second Best. A remuneração do trabalho ocorre em função do

custo deste.
Flat Rate Contract. Há um contrato com um valor pré-determinado já
estabelecido para o agente.
High Power Contract. Contrato de risco, uma vez alcançado o resultado,
o agente será remunerado e, no caso de não
atingimento, não será.
Mixed Contract. Contrato em que no caso de atingimento, o
principal remunera o agente em um valor maior
do que o negociado, caso contrário, o agente
receberá um valor menor.

Fonte: Milgrom e Roberts (1992) e Posner (2002).

Contudo, independentemente dos tipos de contratos, que poderão vir a serem

implantados, Carvalho (2002) ressaltou que, de qualquer modo, haverá a continuidade de
situações em que os interesses e as visões das partes continuam a gerar diversos conflitos,
mesmo com a adoção de medidas de controle. Isso acontece porque, segundo o autor, o
agente, ainda, tende a alavancar seus ganhos de acordo com seus interesses, deixando os
interesses da empresa e acionistas em um segundo plano. Carvalhal et al. (2009)
enfatizaram que os contratos mais eficientes são aqueles que compartilham, entre as
partes, o risco incorrido quanto ao resultado esperado, de modo que ambos tenham um
objetivo em comum, minimizando, assim, substancialmente os conflitos entre as partes.
Como um contraponto aos controles gerados pela elaboração de contratos, cabe destacar
a observação de Huang, Cheng & Tseng (2014), que pontuaram que a utilização destes
contratos, quando adotados em demasia, não, necessariamente, irá minimizar o
comportamento oportunista, mas pode sim cercear a autonomia dos executivos e falta de
confiança nos gestores.

Igualmente pode ser observado no problema de agência um aspecto que diz

respeito à estrutura proprietária da empresa, sobre o qual Shleifer e Vishny (1997)
apontaram o papel do acionista controlador, uma vez que seu papel está em contribuir
para evitar conflitos, já que há um interesse claro em maximizar os seus ganhos e também
de terem seus interesses atendidos da melhor forma possível. Assim, dependendo da
situação que se encontra a estrutura de propriedade da empresa, que no caso é dispersa,
deve-se observar o que pode ocasionar conflitos entre acionistas individuais e a gerência.
Tal situação, primeiramente, ocorre em função de os acionistas não possuírem um
instrumento efetivo de monitoramento, enquanto a gerência possui acesso às informações,
no caso, relevantes que poderão vir a não compartilharem, o que pode, de certa forma,
prejudicar o acionista. Este fenômeno se denomina assimetria de informação. Uma
 28

segunda situação ocorre quando a empresa apresenta uma estrutura proprietária

concentrada em que acionistas majoritários, que possuem controle da empresa e agem de
forma a atender a seus interesses em detrimento dos acionistas minoritários. Coffee
(2005) ressaltou a importância da estrutura de propriedade na gestão da empresa, pois,
em estruturas dispersas, o autor observou a existência de problemas de manipulação de
demonstrações financeiras, por parte dos administradores, com vistas a aumentar seus
ganhos. Já em uma estrutura concentrada, o problema observado foi o contrário, os
benefícios auferidos são direcionados aos acionistas majoritários. Quanto ao quesito
remuneração dos agentes, este pode vir a ser um dos motivos do conflito de agência.
Segundo Jiang, Habib & Smallman (2009) e Hassen, Ouakdi, & Omri (2015), ao
comparar estruturas acionárias dispersas com as concentradas, foi identificado que, na
segunda estrutura, por haver pouca segurança legal para com os acionistas minoritários,
a remuneração dada aos agentes tende a ser menor.

Mais do que analisar os efeitos da estrutura do agente-principal, uma nova

perspectiva quanto à teoria da agência surge com um outro questionamento, que se trata
da relação principal-principal. Aguiolera, Florackis e Kim (2016) pontuaram que
diferentes proprietários podem ter diferentes preferências e horizontes temporais,
resultando em diferentes conflitos de interesse e sinalizando um conflito de principal com
principal. No tocante à relação entre teoria da agência e sua conexão com a questão da
governança corporativa, Rughoobur (2018) salientou que os mecanismos de controles
utilizados podem servir como instrumentos para controlar e regular a instituição com
vistas a resguardar o investimento do acionista (principal). Adoção de tais práticas tende,
assim, a reduzir os conflitos entre as partes, permitindo que a empresa adote práticas de
GC que, de fato, venham a minimizar a questão de conflito no ambiente interno.

2.2 Teoria da Firma e a Nova Teoria da Firma (NTF)

A firma ou empresa é um agente fundamental para a economia capitalista, pois
tem como um dos seus objetivos alocar recursos de maneira eficiente, gerando bens e
serviços a serem fornecidos à sociedade. Sua origem, segundo Costa (2021), antecede em
muito a Revolução Industrial, porém, nessa época, sua existência ainda era algo incomum
na sociedade, uma vez que a economia era fortemente baseada na agricultura. Porém, com
a I Revolução Industrial, surge a atividade manufatureira, representada agora pela
empresa/firma, embora ainda seja um conceito incipiente, pois não há a devida relevância
por ainda se tratar de uma atividade artesanal. Contudo, com o surgimento de novas
 29

tecnologias, como, por exemplo, a máquina a vapor, o tear mecânico, o aço entre outros,
além de novas matérias-primas, esta atividade acabou por mudar de patamar, passando a
ter uma maior importância no cotidiano da sociedade. Basicamente, deixa de ser um
processo artesanal e passa a ter um caráter, agora, industrial. Com esta prerrogativa,
sinalizando o surgimento do que se considera empresa/firma, e também com a percepção
de um maior dinamismo na economia capitalista, Marshall (1982), no fim do século XIX,
observou que as empresas utilizavam novos processos industriais, de uma forma
acelerada, sendo que a correta alocação de recursos passou a ser muito significativa no
processo de condução da empresa/firma. Passa a ser observada como um agente que
possibilita uma produção em larga escala, em que os recursos são alocados de maneira
eficiente, isto é, visando gerar a maior produção possível e atender à sociedade. Segundo
Veblen (1997), a empresa era um agente que se utiliza de recursos técnicos, de novos
processos e novos produtos, com o objetivo de fornecer lucro. O objetivo real da empresa,
consequentemente, passava a ser, além de atender à sociedade, aumentar a riqueza do seu
acionista/proprietário.

Em vista desse desenvolvimento nas empresas, tanto no nível operacional quanto

administrativo, Berle e Means (1932) desenvolveram um trabalho, considerado seminal,
sobre os objetivos da firma, mostrando que este ente deixou de ser somente um organismo
em que se visava maximizar o lucro. Eles observaram, sob uma nova ótica, que, na
maioria das vezes, os gestores objetivavam a elevação de seus próprios ganhos, em vez
de maximizar os resultados para os controladores, dando origem à existência de conflitos,
haja vista os ganhos esperados entre os envolvidos. Reforçando a hipótese anterior,
Commons (1934) via na firma um processo de “compras e vendas entre indivíduos de
direitos futuros de propriedade”, isto é, uma transferência de recursos, no caso
remuneração, seja salário, comissões e lucro, entre as partes envolvidas. Ainda neste
contexto, Coase (1937) criou o conceito de Teoria da Firma, em que o autor observou que
esse empreendimento está voltado para a produção de bens e serviços, levando em conta
a produtividade e os custos de produção. Contudo ele vai além, por observar a firma sendo
afetada por duas novas abordagens, que diz respeito ao que se denominou teoria do
contrato e teoria dos custos de transação. A primeira, teoria do contrato, ocorre devido à
existência de arranjos contratuais, no que tange, por exemplo, ao fator de produção, ao
trabalho e a sua remuneração, isto é, aborda uma relação contratual entre o “trabalhador”
e o seu “empregador”. Todavia, muitas vezes, nesta relação, emerge a questão da
 30

assimetria de informação, em que uma das partes envolvidas possui mais informações do
que a outra, podendo gerar um desequilíbrio na relação esperada e a questão do risco
moral (moral hazard), em que um dos envolvidos pode vir a mudar seu comportamento
em função do que ocorre na questão contratual, visando maximizar seus ganhos de acordo
com o contexto. Quanto à segunda, teoria dos custos de transação, mais do que os custos
associados à produção, a firma incorre em outros tipos de custos, como, por exemplo,
para planejar, elaborar e negociar diversas transações do seu interesse. Dessa maneira,
estes custos acabam por serem inseridos nos processos, na sua fase inicial, de operação e
finalização dos diversos contratos que as firmas elaboram no seu ambiente interno e no
externo. O autor, de uma forma mais ampla, também vem a observar mais algumas outras
características referentes à firma, que trata de uma estrutura de governança com diversos
atributos que se inter-relacionam, via contratos, hierarquias, direitos, remunerações etc.

Posteriormente, Penrose (1959) observou a firma de uma maneira, ainda mais,

diferente, não só como um ente produtivo, integrado por indivíduos e recursos, mais
também apta e suficiente para planejar seu cotidiano e também, seu futuro, isto é,
desenvolveu uma teoria que trata do crescimento da firma, em que assinala que, no caso,
da grande firma, esta apresentaria uma capacidade de crescimento ilimitado, não havendo
o que se denominaria um tamanho ótimo, haja vista a existência de diversas firmas, já
centenárias existentes. Isto ocorreria em função de o empresário ter a habilidade para
identificar oportunidades de negócios, que ainda não haviam sido vislumbradas e também
pela diversificação da produção, além das possibilidades de fusões e aquisições com as
empresas concorrentes. Contudo outras definições acerca do que seria a firma também
foram apresentadas. Para Richardson (1972), a firma é vista como um local de fabricação
de bens demandados pelo mercado, porém apresenta a possibilidade de as firmas não
virem a atuar separadamente, uma vez que estão relacionadas em diversos padrões de
cooperação dentro do mesmo ambiente, no caso, o econômico, em que, porventura,
poderão vir a estabelecer parcerias futuras, objetivando maiores ganhos. Na concepção
de Evans et al. (1989), a firma deveria determinar sua função de produção, adquirindo as
matérias-primas necessárias, transformando-as em produtos e posteriormente
comercializando-as no mercado. Pimentel (2004) assinalou que a firma deve utilizar sua
capacidade instalada para obter ganhos de escala, com vistas a aumentos na produção e
redução nos custos. Todavia estes custos, dado o volume de produção, podem vir a subir
 31

devido a problemas de ordem administrativa que podem ocorrer em função do tamanho

da firma, da escassez de crédito ou da utilização da tecnologia não apropriada.

Para Kerstenetzky (2007), a firma é um conjunto de elementos inseridos em um

sistema de alocação de recursos ou um núcleo de acumulação capitalista sempre em
expansão, que apresenta duas perspectivas: a primeira se denomina alocativa, em que a
firma nada mais é que uma unidade de alocação de recursos, um lugar físico que reúne
fatores de produção para produção de bens e serviços; a segunda seria a acumulativa, em
que ocorre na firma um crescimento de capacitações, isto é, uma combinação de diversos
recursos que se interagem para a formação de determinados conhecimentos visando à
atividade da firma. Cabe o destaque para a observação feita por Menz et al. (2021), acerca
de que, na conceituação da firma, há diversas perspectivas, isto é, podem existir múltiplas
definições dado o aspecto observado, como, por exemplo, de ordem comportamental, de
utilização de recursos heterogêneos, de formação de conhecimento e habilidades. De
acordo com Walker (2021), da mesma forma, não há um consenso definitivo sobre a
definição de firma, dada sua diversidade.

Nesta perspectiva, em se tratando da firma, um outro ponto deve ser destacado,

que trata a questão principal do objetivo da firma em que seja maximização do lucro para
o acionista, denominada teoria dos stakeholders. Mitchell et al. (1997), partindo do
conceito de stakeholder apresentado por Freeman (1984), observaram que este poderá ser
um indivíduo ou um grupo de pessoas que poderão vir a serem afetados pelas diretrizes
da organização nas suas diferentes esferas. Nesta teoria, Jensen (2001) atestou que cabe
aos gestores tomarem as decisões, levando em conta os interesses de todos os
stakeholders, que incluem indivíduos ou grupos que poderão vir a serem afetados pela
condução da empresa. Neste quesito, podem-se citar credores, empregados, clientes e
todos aquele que de certa forma estão envolvidos com a empresa. No caso, Campbell
(1997) assinalou que a empresa deve, sim, apresentar um melhor retorno, assim como
benefícios para os stakeholders, em comparação ao que é dado aos shareholders, no caso,
os acionistas. Por sua vez, Sundaram e Inkpen (2004) frisaram que os acionistas não
possuem o mesmo tipo de proteção para com os que não são acionistas, no caso,
empregadores, fornecedores e outros. Contudo, segundo Silveira, Yoshinaga, & Borba
(2005); Marcon, Bandeira-De-Mello, & Alberton (2008); Boaventura, Cardoso, Silva, &
Silva (2009), tal debate ainda não apresentou um consenso definitivo, sobre como
deveria, de fato, ocorrer, esse processo.
 32

Assim uma nova abordagem foi apresentada, nos idos da década de 1970, em
relação à teoria da firma, que se denominou a Nova Teoria da Firma (NTF), termo oriundo
das ciências econômicas, que diz respeito a Nova Economia Institucional (NEI), que teve
sua origem nos estudos de Coase em relação a Teoria dos Custos de Transação que se
refere a todos os custos relacionados a uma transação econômica, como, por exemplo,
elaboração de contratos, pesquisas de mercado etc. Levando em conta essa mesma
abordagem, Williamson (1995) fez a junção da Teoria de Coase e da Teoria da
Racionalidade Limitada de Simon (1947), em que os indivíduos, ao serem oportunistas,
acabam não sendo aptos a fazerem os devidos cálculos para a determinação da sua escolha
ótima, necessitando, assim, de contratos e regras que minimizem tal comportamento.
Desse modo, segundo North (1991), essas instituições são vistas como algo que restrinja
o comportamento oportunistas dos agentes. Tal preceito apresenta o agente econômico
como um ente que está preocupado somente no seu interesse particular. Contudo, dada a
adoção de códigos de condutas, costumes, sanções e também de leis, direitos e deveres,
o comportamento oportunista acaba sendo cerceado nas suas próprias ações, uma vez que
não obedecem às instituições e suas regras poderão vir a ser penalizados. Tanto Samuels
(1995) como Rutherford (1999) observaram que essa teoria identifica que a racionalidade
limitada dos agentes tem uma influência decisiva de hábitos, normas e valores sociais
sobre o comportamento individual, que permite a manutenção da instituição, no caso, a
firma. Logo as instituições necessitam que haja determinadas normas e condutas a serem
implantadas, visando assegurar a perpetuação de uma matriz institucional ao longo do
tempo, o que passa a ser vital para coadunar os interesses dos envolvidos na administração
da firma e sua melhor performance. Daí emerge a necessidade da existência de uma nova
forma de se adequar às diferentes demandas dos envolvidos.

2.3 Governança Corporativa

A expressão Governança Corporativa (GC), embora se apresente como uma
expressão moderna, tem na sua concepção um aspecto que vem de um período bem mais
remoto da história. Adam Smith, no clássico, a Riqueza das Nações publicado em 1716,
mencionava que não era de se esperar que responsáveis por uma empresa, isto é, seus
administradores, zelassem de maneira conservadora, como fariam seus proprietários,
sendo que haveria negligência por parte dos primeiros neste tipo de condução. Esta
observação já sinalizava a possibilidade de que ocorressem conflito entre o capitalista,
dono dos meios de produção, e aquele que haveria de gerenciar o empreendimento.
 33

Porém, com o desenvolvimento da economia e também com o advento da Revolução

Industrial, tal conjunto de fatos resultou no surgimento de novas empresas, novas
oportunidades de negócios, criação de monopólios, oligopólios e novas estruturas de
organização, iniciando, assim, uma série de relações organizacionais até então não
vislumbradas.

De fato, há um novo contexto, de desenvolvimento dos mercados, de novas

tecnologias de produção, de novos métodos organizacionais, da evolução da
comunicação, da informática, da globalização em si e ainda diversas outras esferas.
Segundo De Benedicto; Rodrigues; Abbud (2008), isto acaba por levar a uma
pulverização da propriedade das corporações, isto é, seu controle ficou mais difuso, sendo
que os seus gestores passaram a ter um papel mais relevante, uma vez que agora, estes
participam mais ativamente dos negócios, em comparação à posição dos acionistas. Por
sua vez, a origem do tema Governança Corporativa surgiu segundo Bertero (2008), nos
EUA, entre a década de 1970 e início da década de 1980, como um fato originado do
problema de agência, que ocorre quando o agente, no caso, o gerente, não coaduna com
a mesma visão de maximização dos lucros do acionista.

De fato, essa relação já havia sido apresentada, anteriormente com o

desenvolvimento da Teoria da Firma, com o artigo de Berle e Means (1932), evidenciando
a relação entre os agentes e os acionistas, isto é, a diferença entre controle e propriedade,
de modo a existir dois interesses antagônicos. No tocante à maximização da utilidade para
ambos os envolvidos, observou-se que o poder dado aos gestores na condução da empresa
permitia a eles agirem em prol dos seus interesses, e não necessariamente no interesse
dos acionistas. Tal evidência gerou a necessidade de que se vislumbrassem os interesses
entre as partes, uma vez que se notou a existência de objetivos conflitantes entre eles.

Porém foi o trabalho seminal de Jensen e Meckling (1976) que melhor salientou
a maneira pela qual se apresenta a questão da governança corporativa, pois esta fornece
a questão do agente-principal, em que há a existência de um contrato, segundo o qual uma
pessoa, denominada principal, formaliza um contrato com outra, denominada agente. Tal
contrato serve de base para uma cessão de autoridade, isto é, para a tomada de decisão,
entre o principal e o agente. Contudo os autores ainda observaram que tal cessão implica
uma relação em que ambos os envolvidos buscam maximizar suas utilidades, podendo
ocorrer, por parte do agente, um comportamento que poderá ir contra os interesses do
principal. Dessa forma, este terá de supervisionar e monitorar as decisões dos seus agentes
 34

e, ainda assim, estabelecer incentivos diversos que permitam ao agente ter um

comportamento adequado a sua função, bem como resguardar os interesses do principal.
Tal conflito é observado quando o comportamento dos agentes por parte do principal não
é observado como deveria ser, o que é denominado de risco moral (moral hazard), em
que há uma assimetria de informações entre as partes, de modo que uma das partes, no
caso, o agente, possui mais informações que o principal, ocasionando desequilíbrio na
relação.

Contudo cabe, ainda, salientar que há vários outros fatores, que contribuíram para
o estudo da Governança Corporativa. Segundo Becht et al. (2002), ganham relevo os
muitos escândalos corporativos ocorridos nos Estados Unidos, em que diversas
adulterações de demonstrações contábeis, evasão fiscal, uso de informações privilegiadas
entre outros foram praticadas. Desse modo, a gestão das firmas passa a observar uma
responsabilidade, cada vez maior, dos seus administradores, assim como dos seus
acionistas. Por sua vez, deve ser destacado que a criação de fundos institucionais que
administram recursos de terceiros e os diversos processos de privatização, aquisição e
fusão ocorridos serviram para estimular o surgimento da Governança Corporativa, de
maneira a criar um ambiente de relações empresarial que forneça maior proteção às partes
envolvidas, minimizando qualquer outro infortúnio entre elas. Assim, ao se observar a
relevância da GC no ambiente empresarial, sua prática passa a ser bem vista pelo mercado
de maneira geral. Isto se dá, segundo Andrade e Rossetti (2006), devido aos benefícios
propiciados por sua adoção, a começar por evitar problemas de agência, má
administração, possíveis fraudes e, por sua vez, por criar um ambiente propício para a
absorção de recursos de investidores.

2.3.1 Definições
Com a adoção pelas empresas das normas de GC, essa se tornou um fator relevante
e diferenciado na condução administrativa das empresas, sendo considerado um
diferencial com vistas ao mercado como um todo. Foram, pois, diversos os autores que
se propuseram a abordar o tema GC. Nesse sentido, Shleifer e Vishny (1997) salientaram
que a GC deve adotar mecanismos que resguardem os investidores na obtenção de
retornos adequados para os seus investimentos, levando em conta a minimização de
conflitos entre as partes. Siffert (1998) observou que o tema basicamente surge a partir
da década de 30 com a teoria da agência em que o problema da agência surge quando o
acionista (denominado principal) contrata uma pessoa (denominado agente) para
 35

gerenciar a empresa, outorgando a ele as responsabilidades sobre a condução da empresa.

Para a Organization for Economic Cooperation and Development - Organização para a
Cooperação e Desenvolvimento Econômico (OECD, 1999), a GC é vista como um
conjunto de relacionamentos entre a gerência da companhia, seus boards, acionistas e
outros stakeholders, com o objetivo de supervisionar as performances das partes
envolvidas, fornecendo a maior transparência possível nas relações. La Porta et al. (2000)
afirmaram tratar-se de um conjunto de medidas que ajudam os investidores a se
resguardarem dos interesses dos gestores. Também, Silveira (2004) e Carvalhal-da-Silva
e Leal (2005) declararam que a GC diz respeito a medidas que visam equilibrar a relação
entre os administradores e os acionistas, haja vista a existência da separação entre controle
e propriedade da empresa. Para Andrade et al. (2006), a GC pode ser vista como um meio
utilizado pelas corporações para estabelecer processos que ajustem os interesses em
conflito entre os acionistas das empresas e seus dirigentes de alto nível. Para Costa (2008),
é um conjunto de atributos de incentivo e controle, internos e externos, para a
minimização dos custos decorrentes do problema de agência dos gestores. Por
conseguinte, tem como propósito assegurar que acionistas e credores tenham seus direitos
resguardados, em relação à administração executada pelos gestores da empresa.

Em relação ainda a GC, de acordo com Driver & Guedes (2012), esta representa
um meio de supervisionar a atuação dos gestores de modo que não tenham tanta
propensão ao risco, dado seu comportamento egoísta, o que poderia causar perdas futuras.
Já Cunha, Vogt e Degenhart (2016) observaram a GC como um conjunto de medidas que
visam proteger os investidores de uma possível perda de capital, de modo que a prática
de GC, na realidade, vislumbra um determinado gerenciamento que tem por meta
resguardar possíveis perdas para os seus acionistas e todos aqueles que possuam interesse
na empresa. Entre outras definições sobre GC, também devem ser consideradas as
apresentadas pela Comissão de Valores Mobiliários (CVM), pelo Instituto Brasileiro de
Governança Corporativa (IBGC), pelo Banco Nacional de Desenvolvimento Econômico
e Social (BNDES). Isso ocorre dada a relevância do tema para essas organizações.

Quadro 2: Definições de Governança Corporativa

 36

CVM: conjunto de práticas que tem por finalidade otimizar o desempenho de uma companhia ao proteger
todas as partes interessadas, tais como investidores, empregados e credores, facilitando o acesso
ao capital.

BNDES: conjunto de processos, costumes, políticas, leis e normativos que regulam a administração da
empresa, a relação entre os atores envolvidos, o atingimento de metas, com mecanismos que
permitam maior controle ao quadro de gestores e usuários.

IBGC: sistema pelo qual as empresas e demais organizações são dirigidas, monitoradas e incentivadas,
via relacionamento entre sócios, conselhos de administração, diretoria, órgãos de fiscalização e
demais interessados.

OECD: sistema pelo qual as sociedades do setor público e privado são dirigidas e controladas, sendo a
estrutura da governança corporativa específica a distribuição dos direitos e das responsabilidades
entre os diversos atores da empresa.

Fonte: CVM (2021), BNDES (2021), IBGC (2021) e OECD (2015).

2.3.2 Mecanismos Internos e Externos de Governança Corporativa

Contudo, para uma melhor adoção das normas de GC, Belloc (2012) pontuou que
devam existir regras referentes a direitos e responsabilidades tanto do principal quanto
dos agentes, e isso seria feito através de mecanismos internos e externos de controle da
empresa. No caso, o ambiente interno se destaca pela existência do Conselho de
Administração e do seu papel. Segundo Alzoubi e Selamat (2012), o tamanho deste é uma
das melhores práticas de governança. Já Holtz e Sarlo (2014) verificaram que as empresas
que se propõem à adoção de um Conselho de Administração devam ter em torno de sete
membros em média, estando dentro do ideal de cinco a dez conselheiros para melhor
transparência. Ainda, quanto à relevância do Conselho, Razali e Arshad (2014)
assinalaram que, uma vez que a empresa adote tal mecanismo, deverá ser enfatizado que
este não se envolverá na operação diária da empresa, pois, assim, não oferecerá brechas
para pressões internas, estando mais alinhados aos investidores, vindo, portanto, a
minimizar a questão da assimetria da informação. Aguilera, Desender, Bednar, & Lee
(2014) citaram o Conselho de Administração, a estrutura de propriedade, conselho fiscal
e o acordo de acionistas como exemplos de mecanismos a serem implantados. Já Silva et
al. (2015) apontaram a existência de evidências que demonstram um viés de que, quanto
mais eficientes os mecanismos, melhores e mais consistentes serão os resultados
apresentados. Gois (2017) observou, ainda, que os mecanismos internos visam minimizar
o possível comportamento oportunista de gestores. Contudo, mesmo havendo tal controle,
esse comportamento não é descartado.
 37

Porém, uma vez que o mecanismo interno não se faça tão efetivo como esperado,
sugere-se também a utilização de mecanismos externos, isto é, de fora da empresa,
podendo ser considerados, como tal, o ambiente legal, auditora, participação dos
acionistas e do mercado de capital. A utilização dos mecanismos externos visa, pois,
esclarecer aos administradores a observância dos direitos da empresa e dos seus
acionistas, bem como a relevância dos mecanismos internos. Uma vez definidos esses
mecanismos, segundo Caldas Tambosi Filho e Vieira (2014), eles resultarão num atrativo
para investimentos, possibilitando gerar um bom desempenho. Pode-se afirmar que um
dos requisitos da GC está em se observar a necessidade de existir mecanismo de controle,
para resguardar o interesse dos acionistas, evitando conflito de interesses com os
administradores. No caso, Aguilera et al. (2015) citaram a existência de seis mecanismos
externos, sendo eles: marco legal, auditoria externa, militância dos stakeholders, agências
de classificação de rating, gestão corporativa e mídia. Tais mecanismos serão detalhados
a seguir.

Marco Legal

Segundo Aguilera et al. (2015), marco legal diz respeito à adoção de normas e princípios
aplicados nas bolsas de valores, assim como em instituições e de modo geral na sociedade.
Para Armitage et al. (2017), é imprescindível para determinar os direitos e
responsabilidades dos agentes envolvidos para com a empresa.

Auditoria externa

No caso, Desender, Aguilera, Crespi, & Garcia-Cestona (2013) mencionaram a

contratação de uma auditoria externa como parte relevante nos mecanismos de GC, uma
vez que visa minimizar problemas com os acionistas minoritários e que as demonstrações,
ora apresentadas pela empresa, são fidedignas e estão de acordo com as normas vigentes.
Tem-se, como resultado, um aumento no grau de confiança para com os stakeholders.

Militância dos Stakeholders

Este mecanismo reflete o posicionamento dos stakeholders sobre a empresa. No caso,

Sjöström (2008) evidenciou dois aspectos distintos para tal comportamento, no caso, o
financeiro e o social. Muitas vezes, estes militantes usam da posição de acionistas
minoritários para estimular políticas e práticas a serem adotadas pela empresa, sendo que,
para Bueno et al. (2018), no Brasil, são poucos os estudos que abordam tal mecanismo.
 38

Agências de classificação de rating

Seu objetivo é o de diminuir a questão da assimetria de informação entre agentes e

acionistas, fornecendo informações fidedignas sobre o desempenho da empresa e de suas
práticas de governança. No caso, Daines, Gow, & Larcker (2010) citaram a questão dos
ratings que serviram de instrumento de persuasão para as empresas adotarem novas
posturas, levando a novos patamares de GC; Wiersema & Zhang (2011) detectaram que
empresas que apresentam ratings negativos sofrem maiores pressões para mudanças na
sua condução.

Gestão Corporativa

Este mecanismo é utilizado quando se observa que o valor da empresa difere do valor que
de mercado que de fato deveria apresentar, o que leva, segundo Denis & McConnell
(2003), investidores externos a optarem por tomar o controle da empresa. Já para Aguilera
et al. (2015), trata-se de uma motivação para que os gestores da empresa exerçam da
melhor forma possível a gestão da empresa, com o intuito de manter seu status quo.

Mídia

Sua relevância é apontada por Bednar, Boivie, & Prince (2013), em que a mídia vem a
exercer um tipo de persuasão ao comportamento das empresas quando a respeito das
políticas adotadas por esta. Isto ocorre, segundo Dai, Parwada, & Zhang (2015), devido
ao fato de que, uma vez que exista publicidade em relação às diversas tomadas de decisão
da empresa, isto leva a uma diminuição na assimetria de informação, a uma maior
responsabilidade do comportamento profissional dos gestores e a um maior cuidado em
relação a possíveis desavenças, nas mais diversas ordens.

Quadro 3: Mecanismos Externos de Governança Corporativa

Mecanismos Definição

Sistema Legal. Direito e responsabilidades dos agentes envolvidos

com a empresa.
Auditoria Externa. Fidedignidade das informações contábeis
apresentadas.
Militância dos Stakeholders. Influência na política e práticas adotadas pelas
empresas.
Agência de Rating. Visa diminuir a assimetria de informação entre as
partes interessadas na empresa.
Controle Corporativo. Discrepância no valor da empresa e seu valor de
mercado.
 39

Mídia. A publicidade auxilia a mudança de postura da

empresa.
Fonte: elaborado pelo autor.

Um outro aspecto citado por Rogers e Ribeiro (2006), para o caso brasileiro, foi a
criação do Novo Mercado e dos Níveis Diferenciados da Bovespa, servindo com um selo
de qualidade, uma vez que as empresas se dispuseram a adotar novas práticas de gestão.
Outro quesito também relevante neste contexto, trata, segundo os autores, do lançamento
dos American Depositary Receipts (ADRs), pois as instituições, ao se adequarem a tal
propósito, adotam essas práticas com mais veemência devido à exigência da Securities
and Exchange Division (SEC). Aguilera et al. (2015) afirmaram que a relevância do
controle externo na empresa é imprescindível, pois, uma vez que haja um ambiente legal
e auditorias, devidamente observadas pelos investidores, isso faz com que o
comportamento oportunista dos administradores seja minimizado. Outra situação é
apresentada por Silva et al. (2016), em que tais medidas de controle foram tomadas de
acordo com os princípios de melhores práticas de GC feitas pela Organização para
Cooperação e Desenvolvimento Econômico (OECD) (1999), sendo eles: i) direitos dos
acionistas, em relação a qualquer tipo de negociação envolvendo terceiros; ii) tratamento
igualitário dos acionistas, sejam eles minoritários, majoritários, estrangeiros ou nacionais;
iii) posição dos stakeholders (necessidade de acesso às informações relevantes); iv)
transparência no trato de informações (todos os fatos relevantes da empresa deverão ser
divulgados de forma ampla); e v) conselho de administração, deixando claro quais são as
suas devidas responsabilidades, no tocante à condução da empresa. Adoção de tais
mecanismos, tanto internos quanto externos, portanto, mostra-se relevante para a adoção
da GC, proporcionando benefícios a todos os envolvidos.

2.3.3 Governança Corporativa no Mundo

A volatilidade nas bolsas de valores, tanto nos Estados Unidos quanto na Europa
e em outros países, influenciando os ganhos das empresas e afetando a remuneração tanto
dos acionistas quanto dos seus administradores, pode levar a determinadas condutas
antiéticas, que acaba por servir de terreno fértil para a existência de diversos escândalos
financeiros. Por conseguinte, os escândalos financeiros podem ser caracterizados como
uma manipulação de resultados, com vistas ao aumento do lucro, de modo que, por trás
destes, há uma fraude, visando apresentar resultados manipuláveis sobre a situação real
da empresa, tendo como alvo os interesses privados das partes envolvidas. Assim, no
contexto da GC, Ricardino e Martins (2004) atestaram que esta, embora considerada um
 40

termo novo, já tem suas práticas sendo realizadas anteriormente, dado o conflito de
interesses entre administradores e proprietários ao longo dos tempos, embora Peixoto,
Forti e Santiago (2009) apontem que escândalos financeiros e fraudes corporativas, nos
Estados Unidos e na Europa, levaram a sua adoção. Hopt (2011) observou a relevância
do desenvolvimento da globalização nas economias também como algo que alavancou,
em muito, a sua adoção.

Em relação, ainda, aos escândalos financeiros, Watts e Zimmerman (1986)

apontaram a questão de incentivos aos administradores, via remuneração variável, o que
levou à utilização de diversos métodos, legais ou não, que permitiam apresentar maiores
resultados, visando, assim, a uma maior remuneração. Tal questão, por sua vez, acabou
por se denominar de contabilidade criativa que, para Amat e Blake (1999), diz respeito
ao conhecimento que os contadores possuem das regras contábeis visando à manipulação
dos resultados a serem apresentados. Segundo Santos e Grateron (2003), a existência de
normas e regras inexatas permite a existência de tais artifícios, que dão origem a esse tipo
de contabilidade. Logo, visando evitar tais procedimentos, em 1991, o Banco da
Inglaterra criou um conselho cujo objetivo era apresentar um conjunto com medidas de
práticas de GC. Segundo Silva & Seibert (2015), tais procedimentos objetivavam
compartilhar medidas a serem adotadas pelo mercado financeiro quanto à apresentação
de demonstrações contábeis para alavancar a GC, que se denominou Relatório de
Cadbury (1992). De acordo com Fiorini, Junior & Alonso (2016), tal documento foi
elaborado observando as práticas do mercado norte-americano, considerado o mais
avançado naquela época. Por sua vez, em 2002, também, com o objetivo de evitar os
impactos dos escândalos financeiros na economia, foi publicado, em 2002, o Relatório
Winter II, que, segundo Santos (2009), é uma regulamentação acerca do direito das
sociedades, podendo essas serem dualistas ou monista. No primeiro caso, ocorre quando
o direito internacional e o direito interno de cada estado são distintos e independentes. Já
no segundo caso, trata-se de dois sistemas de direito que derivam um do outro, de modo
a se inter-relacionarem. Segundo Silva (2016), tal regulamentação diz respeito ao
primeiro estudo de harmonização do tema para as empresas, servindo para apresentar uma
padronização das normas a serem utilizadas. Basicamente, aborda a revitalização das
assembleias gerais, a transparência de atuação dos investidores institucionais, a
responsabilidade e remuneração dos administradores, o papel dos administradores
independentes e das comissões do Conselho de Administração, bem como a qualidade
 41

das informações financeiras. Na França, foi publicado o Relatório Vienot, que cita a
relevância de se ter a devida transparência pública para a remuneração dos diretores e
conselheiros, assim como a limitação de até cinco conselheiros e a criação de comitês —
especialmente os de auditoria de remuneração e também de eleição de conselheiros
independentes.

Outro instrumento adotado com o objetivo de melhor regular o mercado, em

termos de reduzir futuros escândalos financeiros, foi a criação, pelas autoridades
competentes, nos Estados Unidos, em 2002, da Lei Sarbanes-Oxley (SOX), que veio
reestabelecer, segundo Zhao & Ziebart (2015), a confiança dos stakeholders na
elaboração dos relatórios financeiros das organizações bem como a publicidade e o
controle dos fatos em relação às práticas contábeis. Especificamente, para Filbeck,
Gorman, & Zhao (2011), tratou-se de uma forma de se apresentar: novos padrões de
relatórios, proibição de empréstimos a executivos, controles internos, código de
ética, expertise em finanças por parte de membros do comitê de auditoria e
penalidades por fraudes. Porém deve ser observado que já existiam diferentes
regulamentações anteriores, a SOX; no caso, os autores citaram o Securities Act de
1933 e, em 1934, a criação da Securities Exchange Act (SEC). Coates (2007), assim,
identifica que já existia uma legislação anterior com o objetivo de prevenir fraudes,
todavia o que se observa foram que os problemas desta magnitude surgiram devido
à pouca utilização de normas de GC.
Com relação aos escândalos financeiros ocorridos, tanto nos Estados Unidos
quanto na Europa, Gornik-Tomaszewski & McCarthy (2005) e Lima et al. (2017)
mencionaram quais seriam os principais:

Quadro 4: Escândalos Financeiros – Brasil, Estados Unidos e Europa

País Empresa Prática

Brasil Banco Marka/1999. Impossibilidade de pagamento
no mercado futuro de US$,
prejuízo de R$ 1,8 bilhões.
EUA Enron/2001. Inflou os lucros em US$ 600
milhões e eliminou US$ 650
milhões de despesas.
EUA World com/2002. Lançou em seu balanço US$ 3,8
bilhões como investimentos,
sendo que eram despesas.
EUA Bristol-Myers Squibb/2002. Inflou sua receita em US$ 1
bilhão.
EUA Merck/2002. Inflou a receita e os custos de
modo que seu faturamento
cresceu US$12,6 bilhões.
 42

EUA Xerox/2002. Lançamento de contratos de

aluguel de equipamentos como
receitas de vendas, inflando sua
receita em US$ 1,9 bilhão.
Holanda Royal Ahold/2003. Inflou seus rendimentos na
ordem de US$ 500 milhões.
Brasil Banestado/2003. Remessas ilegais no valor de R$
42 bilhões.
Itália Parmalat/2004. Apresentou US$ 3,5 bilhões em
ativos inexistentes.
Brasil Braskem/2014. Pagamento de propinas para
funcionários públicos.
Brasil Petrobrás/2014. Financiamento irregular de
partidos políticos, dando
prejuízo da ordem de R$ 35
bilhões
Brasil Eletrobrás/2014. Ingerência Política e corrupção,
prejuízo da ordem de R$ 30
bilhões.
Brasil Marfrig/2015. Operações com empresas
fantasmas com prejuízo de R$
571 milhões.
Brasil JHFS/2016. Pagamento ilícito em operações
de lavagem de dinheiro e
financiamento de campanhas
políticas.
Brasil JBS/2017. Pagamento de proponha a
políticos.
Fonte: Gornik-Tomaszewski & McCarthy (2005), Lima et al. (2017) e Façanha (2020).

Como causa destes escândalos, Gornik-Tomaszewski & McCarthy (2005)

frisaram, em grande parte, as falhas de regulação por parte dos órgãos competentes, uma
vez que estes permitiam uma maior maleabilidade para com os responsáveis na
elaboração dos balanços e relatórios contábeis. Para Mifano (2005), a falta de ética por
parte dos administradores dessas empresas em muito contribuiu para a ocorrência desses
fatos, especialmente se for considerado que socialmente o fracasso é sempre mal visto.
Ao analisar os escândalos ocorridos nos Estados Unidos e na Europa, Coffee Jr. (2005)
apontou que, no primeiro, as empresas geralmente têm seu controle acionário bem
fragmentado. Ademais, o mercado de capitais já é bastante sólido, com grande
transparência para com seus investidores. Já na Europa, por sua vez, o controle acionário
das empresas é concentrado, havendo poucos acionistas que detêm o controle acionário
destas, logo, o grau de transparência é bem menor do que nos Estados Unidos. O autor
ponderou que, nos Estados Unidos, pelo fato de a propriedade ser dispersa, existe uma
elevada propensão dos administradores de manipularem os resultados das empresas, na
medida em que há uma remuneração variável e prêmios de acordo com seus ganhos.
Quanto ao caso europeu, a concentração acionária acaba também possibilitando a
 43

ocorrência desses escândalos, com vistas a possíveis benefícios oriundos desse controle.
Porém, a maioria das empresas ainda não conta com a devida participação de seus
gestores na observância de determinados controles, uma vez que não recebem uma
remuneração variável pelo seu bom desempenho, sendo assim algo não tão crucial,
diferentemente do que ocorre nos Estados Unidos. O papel dos acionistas se torna, assim,
mais relevante ao participar diretamente na condução da empresa, juntamente com os seus
gestores, inibindo qualquer tipo de manipulação dos resultados. Num contexto em que a
economia mundial foi marcada por esses escândalos, passou a ser uma preocupação, em
diversas esferas, o comportamento dos responsáveis pela elaboração dos relatórios
financeiros das empresas, gerando, logo, uma grave crise de confiança, no tocante à
elaboração das informações contábeis.

Outrossim, sobre o advento da SOX bem como a sua aplicação, Gornik-

Tomaszewski & McCarthy (2005) atestaram que a União Europeia levantou críticas
acerca da adoção desta lei, devido aos elevados custos que as empresas passariam a ter
por conta dessa nova regulamentação. Porém, devido aos escândalos ocorridos na Europa,
tal concepção mudou, de modo que, tanto nos Estados Unidos quanto na Europa, a
cooperação passou a ser muito bem vista, com o objetivo de evitar futuras fraudes, sendo
criadas agências de regulação em nível mundial, que, segundo Tafara e Robert (2005),
deverão desenvolver trabalhos visando a uma melhor governança, fiscalização e
reformulação de sistemas, a fim de divulgar, de modo mais fidedigno possível, as
informações sobres as empresas listadas nas suas bolsas de valores.

2.3.4 Governança Corporativa no Brasil

Ao se abordar a GC no Brasil, cabe destacar o desenvolvimento da visão
empresarial no país. Neste quesito, Cardoso (1963) apresentou, em seu trabalho, o modus
operandi da classe empresarial brasileira. Para o autor, os “capitães de indústria” no Brasil
tiveram seus empreendimentos incentivados por linhas de financiamento governamentais,
de longo prazo, com o intuito de promover novas oportunidades de negócios, novos
mercados a serem explorados, sugerindo um crescimento econômico que se mantivesse
ao longo do tempo, beneficiando a todos. Contudo o que se observou, na prática, foram
medidas que iam contra tal concepção, pois muitos desses empresários optavam por
demonstrar uma maior ostentação, dadas a abundância de recursos governamentais e a
possibilidade de remessas de recursos para o exterior, em vez de investirem na ampliação
de suas empresas. Ademais, no Brasil, o mercado de capitais acabou por apresentar
 44

limitações no seu desenvolvimento, tal qual um mecanismo de promoção para captação

de recursos para as empresas investirem. Isto ocorreu em função, segundo Silveira et al.
(2015), de que, na maioria das vezes, cabia ao governo promover a atividade econômica
nos mais diferentes setores, através da concessão de financiamentos subsidiados ou
através de investimentos nas empresas estatais. Cabe ainda destacar a questão de o Brasil
ser e ainda ser considerado um país de economia fechada, com baixa inserção
internacional, diminuindo, assim, a sua competitividade.

Ao analisar a composição acionária das companhias de capital aberto no Brasil,

Clemente (2004) apontou que estas estavam muitas vezes com seu controle acionário
bastante concentrado. Porém, com o crescimento dessas companhias e as novas
oportunidades de negócios surgindo, passou a existir a necessidade de se captar recursos
no mercado, de modo que uma administração mais transparente na condução da empresa
passou a ser um aspecto extremamente necessário e relevante. Por conseguinte, um novo
cenário se vislumbra, no tocante à condução das empresas, o que mostra o surgimento da
GC com sendo um dos fatores que permitiriam a continuidade na condução das empresas,
no longo prazo. Nessa direção, de acordo com o Instituto Brasileiro de Governança
Corporativa IBGC (2005:02), o modelo empresarial brasileiro passou por diversas
transições ao longo dos anos. Nas décadas de 50 e 60, as grandes empresas no Brasil
possuíam um controle e administração familiares. Na década de 70, passou a existir o
conselho administrativo — uma forma de coadunar os interesses dos investidos com os
gestores das empresas. Na década de 80, os fundos de pensão e de investidores passaram
a ter um papel mais participativo na administração da empresa; na década de 90, com a
abertura comercial e privatizações, a participação de investidores estrangeiros se faz
presente no mercado; no século XXI, houve uma maior observância numa cultura de
probidade e maior transparência nas relações entre as organizações e também entre seus
profissionais.

Quadro 5: Evolução da Governança Corporativa no Brasil até o final do séc. XX

Período Características
1950-60 Gestão e controle familiar.
1970 Conselhos de administração.
1976 Lei das S.A.
1980 Fundos diversos.
1990 Abertura comercial e privatização.
Fonte: Elaborado pelo autor

Silveira et al. (2015) ressaltaram que a expressão “Governança Corporativa” passa

a ter um maior destaque no final dos anos 90, quando, inicialmente, houve a alteração na
 45

Lei n.º 9.457/97, referente ao direito que os acionistas ordinários tinham de receber um
percentual do valor da empresa no caso da sua venda. Tal fato causou intensos conflitos
entre os investidores, demonstrando uma fragilidade nas relações da empresa com os seus
acionistas, salientando que, nessa época, a prática da governança era ainda bem pouco
explorada. Uma vez que continuavam a existir tais conflitos, ocorre a adoção da Lei n.º
10.303, promulgada em 2001, que busca uma nova adequação da Lei n.º 6.404/76, mais
conhecida como Lei das S.A., com vista a uma maior proteção ao acionista minoritário,
procurando, assim, oferecer a estes uma maior segurança, em relação aos seus direitos.

Tal adequação foi motivada, em grande parte, pelos processos de privatização de

empresas estatais, que, juntamente à abertura comercial da economia, promoveram um
incentivo para que as empresas passassem a adotar tal mecanismo, e, consequentemente,
tal procedimento passou a ser bem visto pelo mercado. Junto a isso, foram criados códigos
de boa governança corporativa, por instituições de referência no mercado de capitais,
como o Instituto Brasileiro de Governança Corporativa (IBGC), Comissão de Valores
Mobiliários (CVM) entre outras. Dessa forma, são apresentados, no Quadro 6, os
principais alicerces adotados ao longo dos anos, em ordem cronológica, que
desencadearam a incorporação de práticas de GC pelas empresas, com o intuito de dar
mais transparência aos investidores.

Quadro 6: Medidas adotadas visando implantação da Governança Corporativa no Brasil

Ano Medida Objetivo

1965 Lei n° 4728/659457/97. Disciplina o mercado de capitais e estabelece medidas
para o seu desenvolvimento.
1976 Lei n° 6385/76. Cria a Comissão de Valores Mobiliário (CVM) e dispor
sobre o mercado de valores mobiliários.
1976 Lei n° 6404/76. Regulamentar o exercício das Sociedades Anônimas
1998 Lei n° 9457/97. Dirimir conflitos entre acionistas majoritários e
minoritários.
1999 IBGC. Código de melhores práticas de governança corporativa.
2000 Bovespa (B3). Segmentos de empresas listadas com base em seu grau
de governança corporativa.
2001 Alteração na Lei n° 6404/76 (S.A). Fornece mais direito aos minoritários.
2009 Formulário de referência CVM. Obrigatoriedade de envio de dados financeiros das
empresas de capital aberto à CVM.
2014 Lei n° 12.846/2013 – Responsabilização de empresas que pratiquem atos
Anticorrupção. lesivos à administração pública.
2016 Lei n° 13.303/2016 (estatais). Empresas públicas e sociedades de economia mista
passam a serem regidas por normas legais próprias.
Fonte: elaborado pelo autor

Sendo o mercado acionário o local em que a maioria das empresas tem seus títulos
negociados e elas, por sua vez, almejam adotar as boas práticas de GC, visando se
aprimorar frente aos investidores, foi constituída, em 2017, a Bolsa, Brasil, Balcão (B3),
 46

que trata da fusão da Bolsa de Valores, Mercadorias e Futuros de São Paulo

(BM&FBOVESPA) com a Central de Custódia e de Liquidação Financeira de Títulos
(CETIP), com o objetivo de reforçar a liquidez, ampliar o volume de negócios e reduzir
custos operacionais. Outro ponto relevante, segundo Rogers et al. (2008), destaca a
criação do Novo Mercado (NM), por parte da B3, sendo que este atualmente possui o
segmento básico e cinco segmentos especiais, sendo eles: Novo Mercado (NM) ou (N3),
Nível 1 (N1), Nível 2 (N2), Bovespa Mais e Bovespa Mais Nível. Sendo que o NM é
considerado como um segmento de empresas que se comprometem, de forma voluntária,
a práticas de GC, sendo relevante a exigência de que o capital social da empresa
apresentasse somente ações ordinárias. Frisa-se que, no denominado Novo Mercado
(NM), há relevância para três segmentos, usualmente chamados de Níveis Diferenciados
de Governança Corporativa (NDGC), sendo eles: o NM, N1 e N2.

2.3.5 Níveis de Governança Corporativa

Com base nos Níveis Diferenciados de Governança Corporativa (NDGC), criados
pela B3, em 2001, emergiu o reconhecimento de uma maior transparência por parte das
empresas listadas que adotassem esses respectivos critérios. Tal adoção, segundo Duarte
(2011), deu-se pela necessidade de companhias obterem recursos a preços competitivos,
atraindo, dessa forma, diversos tipos de investidores. Para Black et al. (2014), a criação
dos níveis de GC serviu para conter a perda de volume de negócios para outros segmentos
financeiros, pois se supunha a existência de uma baixa proteção aos acionistas. Segundo
os autores, isso levou a um aumento na oferta e uma estabilização no número de empresas
listadas na bolsa de valores. Correia, Silva e Martins (2016) afirmaram que a adoção
destes níveis serve para apresentar uma melhor qualidade de GC, sinalizando uma maior
transparência do mercado acionário brasileiro, dada a pulverização das ações com direito
a voto das empresas listadas. Segundo Moura, Franz e Cunha (2015), a observância a
esses níveis de governança permite uma redução da assimetria da informação entre os
investidores e a empresa, via maior aumento da transparência.

As principais características referentes aos níveis de GC apresentadas pela B3

(2022), como segmentos de listagem, incorporam, assim, seis níveis, sendo eles: Bovespa
Mais, Bovespa Mais Nível 2, Tradicional, Nível 1, Nível 2 e Novo Mercado. No caso, os
dois primeiros níveis, respectivamente, fazem parte das empresas que têm seus títulos
negociados no mercado de balcão organizado. Por sua vez, os outros quatro níveis
posteriores dizem respeito a empresas que têm seus títulos negociados no mercado de
 47

ações à vista. Especificamente cada um dos níveis possui determinadas normas a serem
cumpridas. Cada nível abarca obrigações a serem cumpridas pelas empresas que desejam
aderir a eles, sendo cumulativas ao mudar de nível. Carvalho (2002) apontou que tal
diferenciação de nível vislumbra obter determinados benefícios no tocante ao mercado de
crédito, à redução de custos de capital e troca de acionistas. Scalzer e Costa (2008)
observaram que as empresas listadas nos níveis diferenciados de governança corporativa
tendem a ser mais conservadoras do que as empresas do mercado tradicional. Villa (2009)
percebeu que a adição das boas práticas de GC melhora o resultado das empresas. Porém
isso não se configura um requisito primordial, visto que o autor ressaltou casos de
empresas que não estavam listadas nos níveis diferenciados e apresentaram desempenho
superior às listadas. Para Correia, Silva e Martins (2015), as empresas que estão listadas
nos níveis diferenciados de governança corporativa apresentaram uma melhor qualidade
de governança corporativa, evidenciando um amadurecimento do mercado acionário
brasileiro devido à pulverização das ações com direito a voto. Assim os requisitos básicos
para cada nível de GC são:

Quadro 7: Características Centrais dos Níveis de Governança Corporativa

Comparativo dos segmentos de listagem

Novo
Bovespa
Bovespa Mercado
Mais Nível Nível 2 Nível 1 Básico
Mais (a partir de
2
02/01/2018)
Ações ON e Ações ON e
Ações ON e
Capital Somente Ações ON Somente PN (com PN
PN (conforme
social ações ON e PN ações ON direitos (conforme
legislação)
adicionais) legislação)
 48

Regra geral:
Regra geral: Regra geral:
20%
20% 20%
Regra
Regra Regra
alternativa:
alternativa: alternativa:
15%, (i) caso
15%, (i) caso 15%, (i) caso
o ADTV
o ADTV o ADTV
(average daily
(average daily (average daily
trading
trading trading
volume) seja
volume) seja volume) seja
igual ou
igual ou igual ou
superior a R$
superior a R$ superior a R$
20 milhões,
20 milhões, 20 milhões,
considerando
considerando considerando
os negócios
os negócios os negócios
realizados nos
realizados nos realizados nos
últimos 12
últimos 12 últimos 12
meses; ou (ii)
meses; ou (ii) meses; ou (ii)
na hipótese de
na hipótese de na hipótese de
ingresso no
ingresso no ingresso no
Novo
Nível 2, Nível 1,
Mercado,
concomitante concomitante
concomitante
mente ao IPO mente ao IPO
mente ao IPO
quando a quando a
quando a
oferta (a) for oferta (a) for
oferta (a) for
superior a R$ superior a R$
superior a R$
Percentual 2 bilhões; ou 2 bilhões; ou
25% a 25% a 2 bilhões; ou
mínimo de (b) enquadrar- (b) enquadrar- Não há
partir do 7º partir do 7º (b) enquadrar-
ações em se entre R$ 1 se entre R$ 1 regra
ano de ano de se entre R$ 1
circulação bilhão e R$ 2 bilhão e R$ 2 específica
listagem listagem bilhão e R$ 2
(free float) bilhões, desde bilhões, desde
bilhões, desde
que que
que
respeitadas as respeitadas as
respeitadas as
contrapartidas contrapartidas
contrapartidas
previstas no previstas no
previstas no
Regulamento. Regulamento.
Regulamento.
Em relação ao Em relação ao
Em relação ao
item 'ii', a item 'ii', a
item 'ii', a
companhia companhia
companhia
poderá manter poderá manter
poderá manter
o free float o free float
o free float
em 15% do em 15% do
em 15% do
capital social capital social
capital social
por 18 meses, por 18 meses,
por 18 meses,
sendo que, ao sendo que, ao
sendo que, ao
final deste final deste
final deste
período, o período, o
período, o
ADTV deve ADTV deve
ADTV deve
atingir o atingir o
atingir o
patamar de patamar de
patamar de
R$ 20 R$ 20
R$ 20
milhões, o milhões, o
milhões, o
qual deve ser qual deve ser
qual deve ser
consistente consistente
consistente
por 6 meses por 6 meses
por 6 meses
consecutivos consecutivos
consecutivos
 49

Esforços de
dispersão
acionária,
exceto para
ofertas
destinadas a Esforços de Esforços de
um público dispersão dispersão
restrito de acionária, acionária,
Ofertas investidores, aplicando-se a aplicando-se a
Não há Não há Não há
Públicas de como, por mesma lógica mesma lógica
regra regra regra
Distribuição exemplo, do Novo do Novo
específica específica específica
de ações exclusivament Mercado Mercado
ea (vide Ofício (vide Ofício
investidores 736/2017- 736/2017-
profissionais DRE) DRE)
ou
qualificados
(vide Ofício
009/2023-
DIE)
Limitação de Limitação de
voto inferior a voto inferior a
Quórum Quórum
Vedação a 5% do capital, 5% do capital, Não há
qualificado qualificado Não há regra
disposições quórum quórum regra
e "cláusulas e "cláusulas específica
estatutárias qualificado e qualificado e específica
pétreas" pétreas"
"cláusulas "cláusulas
pétreas” pétreas”
Mínimo de Mínimo de
3 membros, 3 membros, Mínimo de 3
Mínimo de
dos quais, dos quais, Mínimo de 3 membros, dos
Mínimo de 5 3 membros,
pelo menos pelo menos membros quais, pelo
membros, dos dos quais,
20% devem 20% devem (conforme menos 20%
quais, pelo pelo menos
ser ser legislação), devem ser
menos, 20% 20% devem
independent independent dos quais, independentes
Composiçã devem ser ser
es es pelo menos, 2 (conforme
o do independentes independent
(conforme (conforme ou 20% (o legislação/
conselho de , com es
legislação/ legislação/ que for maior) regulamentaç
administraç mandato (conforme
regulamenta regulamenta devem ser ão), com
ão unificado de legislação/
ção), com ção), com independentes mandato
até 2 anos regulament
mandato mandato , com unificado de
(vide ofício ação; vide
unificado de unificado de mandato até 2 anos
010/2023- ofício
até 2 anos até 2 anos unificado de (vide ofício
DIE) 010/2023-
(vide ofício (vide ofício até 2 anos 010/2023-
DIE)
010/2023- 010/2023- DIE)
DIE) DIE)
Presidente do Presidente do Presidente do
conselho e conselho e conselho e
diretor diretor diretor
presidente ou presidente ou presidente ou
Presidente Presidente Presidente
principal principal principal
do conselho do conselho do conselho
executivo pela executivo pela executivo pela
e diretor e diretor e diretor
Vedação à mesma pessoa mesma pessoa mesma pessoa
presidente presidente presidente
acumulação (vide Ofício (vide Ofício (vide Ofício
ou principal ou principal ou principal
de cargos 010/2023- 010/2023- 010/2023-
executivo executivo executivo
DIE: exceção DIE: exceção DIE: exceção
pela mesma pela mesma pela mesma
à vedação à vedação à vedação
pessoa. pessoa. pessoa.
para para para
companhias companhias companhias
de menor de menor de menor
porte, nos porte, nos porte, nos
 50

termos da termos da termos da

regulamentaç regulamentaç regulamentaç
ão da CVM, ão da CVM, ão da CVM,
não se aplica não se aplica não se aplica
às às às
companhias companhias companhias
listadas nos listadas nos listadas nos
segmentos segmentos segmentos
especiais) especiais) especiais)

Manifestação
sobre
qualquer
oferta pública Manifestação
de aquisição sobre
de ações de qualquer
Obrigação emissão da oferta pública
do conselho Não há Não há companhia de aquisição Não
Não há regra
de regra regra (com de ações de há regra
específica
administraç específica específica conteúdo emissão da específica
ão mínimo, companhia
incluindo (com
alternativas à conteúdo
aceitação da mínimo)
OPA
disponíveis no
mercado)
Demonstraç
Conforme Conforme Conforme Traduzidas pa Conforme Conforme
ões
legislação legislação legislação ra o inglês legislação legislação
financeiras
Fatos
relevantes,
Informaçõe informações
s em inglês, sobre Não há regra
simultâneas Não há Não há proventos específica, Não há
Não há regra
à regra regra (aviso aos além das DFs regra
específica
divulgação específica específica acionistas ou (vide item específica
em comunicado acima)
português ao mercado) e
press release
de resultados
Realização,
em até 5 dias
úteis após a
divulgação de
resultados
trimestrais ou
Reunião das
Obrigatória Obrigatória
pública Facultativa Facultativa demonstraçõe Facultativa
(presencial) (presencial)
anual s financeiras,
de
apresentação
pública
(presencial,
por meio de
teleconferênci
 51

a,
videoconferên
cia ou outro
meio que
permita a
participação a
distância)
sobre as
informações
divulgadas

Calendário
de eventos
Obrigatório Obrigatório Obrigatório Obrigatório Obrigatório Facultativo
corporativo
s
Regimentos
do Conselho
de
Administraçã
o, de seus
comitês de
assessorament
o e do
Conselho
Fiscal,
quando
instalado

Código de
conduta (com
conteúdo
mínimo)

Políticas de Política de Política de

Política de Política de
Divulgação (i) negociação de negociação de Não há
negociação negociação
adicional de remuneração; valores mobili valores mobili regra
de valores de valores
informações (ii) indicação ários e código ários e código específica
mobiliários mobiliários
de membros de conduta de conduta
do Conselho
de
Administraçã
o, seus
comitês de
assessorament
o e diretoria
estatutária;
(iii)
gerenciament
o de riscos;
(iv) transação
com partes
relacionadas;
e (v)
negociação de
valores
mobiliários,
 52

com conteúdo
mínimo,
exceto a de
remuneração

Divulgação (i)
anual de
relatório
resumido do
comitê de
auditoria
estatutário
contemplando
os pontos
indicados no
regulamento;
ou (ii)
trimestral de
ata de reunião
do Conselho
de
Administraçã
o, informando
o reporte do
comitê de
auditoria não
estatutário
80% para 80% para
Concessão 100% para 100% para
100% para 100% para ações ON ações ON
de Tag ações ON e ações ON e
ações ON ações ON (conforme (conforme
Along PN PN
legislação) legislação)
Realização de
Realização
Realização OPA por Realização de
de OPA, no
de OPA, no preço justo, OPA, no
mínimo,
mínimo, com quórum mínimo, pelo
pelo valor
pelo valor de aceitação valor
econômicoe
Saída do econômico ou econômico
m caso de
segmento/O em caso de concordância em caso de
cancelament
ferta cancelament com a saída cancelamento
o de registro Não
Pública de o de registro do segmento de registro ou Não aplicável
ou saída do aplicável
Aquisição ou saída do de mais de 1/3 saída do
segmento,
de Ações segmento, dos titulares segmento,
exceto se
(OPA) exceto se das ações em exceto se
houver
houver circulação (ou houver
migração
migração percentual migração para
para Novo
para Novo maior previsto Novo
Mercado ou
Mercado no Estatuto Mercado
Nível 2
Social)
 53

Adesão à
Câmara de
Obrigatória Obrigatória Obrigatória Obrigatória Facultativa Facultativa
Arbitragem
do Mercado
Obrigatória a
instalação de
comitê de
auditoria,
estatutário ou
não
Comitê de estatutário,
Facultativo Facultativo Facultativo Facultativo Facultativo
Auditoria que deve
atender aos
requisitos
indicados no
regulamento:
composição e
atribuições
Obrigatória a
existência de
área de
auditoria
Auditoria
Facultativa Facultativa interna que Facultativa Facultativa Facultativa
interna
deve atender
aos requisitos
indicados no
regulamento
Obrigatória a
implementaçã
o de funções
de
compliance,
controles
internos e
Compliance Facultativo Facultativo Facultativo Facultativo Facultativo
riscos
corporativos,
sendo vedada
a acumulação
com
atividades
operacionais
Fonte: B3
A adoção da prática de classificar as empresas com NDGC pretende sinalizar ao
mercado, de maneira geral, uma elevada correlação, no tocante, a uma maior apreciação
das ações e também a uma menor variação do valor destas. Bhojraj e Sengupta (2001)
apresentaram em seu estudo uma forte correlação de empresas que possuem tais níveis,
de modo que essas tendem a obter um baixo custo de capital, minimizando, assim, o seu
risco. Tal fato ainda é corroborado por Vieira e Mendes (2004) que afirmaram que a
adoção de práticas de governança permite a redução do custo de captação de recursos
para as empresas. Ainda, com o intuito de diferenciar ainda mais as empresas listadas, a
BM&FBOVESPA (2011) criou os índices: Índice de Ações com Governança Corporativa
Diferenciada (IGCX) e o Índice de Governança Trade (IGCT). Estes compõem uma
 54

carteira teórica de ações, em que o primeiro apresenta as empresas que participam dos
três níveis de governança da bolsa e o segundo é mais restrito para aquelas empresas com
alta liquidez nas suas ações.

A adoção de índices que medem as práticas de governança corporativa, pelas

empresas listadas, passou, logo, a ser relevante, originando diversos estudos que
corroboram a relevância desta iniciativa, sendo plausível, assim, citar Black (2001),
Kapller e Love (2002), Gompers, Ishii e Metrick (2003), Beiner et al. (2003), Drobetz,
Gugler e Hirschvogl (2004), Leal e Carvalhal-da-Silva (2005), Nobili (2006) e Almeida
et al. (2010) e BM&F BOVESPA (2016). Ainda, Berardi (2008) pontuou que empresas
que estejam de acordo com os níveis de GC apresentam uma melhor clareza das suas
informações, o que foi corroborado por Oliveira et al. (2017) que presumiram que as
companhias poderão ter seu desempenho mais eficaz, apresentando uma valorização nas
suas ações, uma vez que adotem as NDGC. Lameira (2012) afirmou que a GC também
afeta o nível de risco, sendo que melhores níveis de governança estariam associados a
menores riscos, assim como há o destaque para o estudo de Lima et al. (2015), que
apresentou evidências empíricas de que tais empresas, ao estarem listadas nestes
segmentos, apresentam melhor desempenho financeiro. Correia, Silva e Martins (2015)
identificaram que as empresas que estão listadas nos NDGC apresentam uma melhor
qualidade de GC, evidenciando um amadurecimento do mercado acionário brasileiro
devido à pulverização das ações com direito a voto em diversas empresas.

2.3.6 Modelos de Governança Corporativa

Em relação à adoção dos modelos de GC, segundo o Instituto Brasileiro de
Governança Corporativa [IBGC] (2015), existem dois modelos gerais de GC. O primeiro,
o modelo anglo-saxão (outsider system), visa a práticas voltadas aos acionistas em que a
estrutura de propriedade é mais dispersa, considerando o mercado de capitais como um
relevante agente financiador de crescimento. Quanto ao segundo, trata-se dos modelos
europeu/japonês (insider system) em que a estrutura de propriedade é mais concentrada,
normalmente, com controle familiar ou estatal. Inicialmente, o modelo anglo-saxão é o
mais adotado nos Estados Unidos e no Reino Unido, cuja principal característica está na
separação entre gestores e acionistas. No caso americano, Carlsson (2001) e Silveira
(2002) observaram que os acionistas possuem pouca influência na condução da empresa,
sendo essa responsabilidade dos executivos, de modo que estes, por diversas vezes, têm
mais influência que os acionistas. Slomski et al. (2008) assinalaram que se trata de uma
 55

estrutura em que o controle acionário é mais diluído, havendo uma separação entre a
gestão e os controladores, em que há um sistema jurídico eficiente; por sua vez, o mercado
acionário é transparente para com os interessados, além de haver uma elevada liquidez.
No caso do Reino Unido, segundo Marinelli (2005), com a criação do Comitê Hampel,
ficou claro que o Conselho de Administração tem como premissa vislumbrar o progresso
das empresas no futuro, tendo, assim, uma maior responsabilidade. Diferentemente dos
EUA, no Reino Unido ocorre uma maior concentração acionária, havendo, logo, uma
maior regulação, no tocante a aquisições que possam vir a possibilitar a existência de
conflitos, em relação aos interesses dos acionistas.

Quanto ao modelo europeu, Marinelli (2005) destacou que este, muitas vezes
denominado germânico, caracteriza-se pela existência de grandes investidores que detêm
parcela significativa de ações, sendo eles bancos e instituições financeiras ou até mesmo
empresas. No caso da gestão, esta é bem mais controlada/centrada. Daí a existência de
dois tipos de conselhos, o de administração e o de supervisão, sendo o primeiro composto
de executivos da empresa e o segundo, de pessoas externas a ela. Quanto ao modelo
japonês, nota-se uma participação efetiva dos acionistas, principalmente dos bancos
credores ou investidores na administração das empresas, ocorrendo, assim, uma maior
interferência na condução da mesma, bem como nas estratégias a serem adotadas, na
medida em que estão mais inseridos no contexto da empresa. Há uma forte preocupação
com a proteção aos direitos dos acionistas minoritários, uma parceria de longo prazo.
Cabe destacar, por sua vez, a existência de dois aspectos relevantes que diferenciam este
modelo, japonês, dos anteriores. O primeiro diz respeito à questão relativa ao Conselho
de Administração, formado por diversos membros. O segundo diz respeito ao keiretsus,
que, de acordo com Andrade e Rosetti (2006), trata-se de um conglomerado de negócios,
que possui relação com a propriedade da empresa. Este conceito diz respeito a grupos de
empresas que acabam por interagir devido à posse de ações umas das outras. Ainda, para
os autores, independentemente do tipo de modelo adotado, a governança corporativa se
faz presente na interação entre três esferas: i) a propriedade, fiscalizando os atos
executados pelos gestores; ii) o Conselho de Administração, resguardando os interesses
dos investidores; e iii) a diretoria executiva que administra a empresa no seu dia a dia.
Merece destaque o modelo latino-americano, e, segundo Rosetti e Andrade (2014), tal
modelo apresenta peculiaridades que o diferencia, em muito, dos outros. A composição
acionária é concentrada, principalmente, no caso, das empresas familiares, sendo que o
 56

controle da empresa, muitas vezes, é exercido pelo acionista majoritário, ocorrendo,

assim, um papel dúbio entre propriedade e gestão. A proteção para com os acionistas
minoritários é considerada fraca, bem como há um elevado grau especulativo na liquidez
das ações. Por sua vez, em relação aos controles, esses ocorrem por parte dos próprios
controladores da empresa, tendo a existência do Conselho de Administração como um
ente diminuto, possuindo laços estreitos com a gestão.

Basicamente, tais modelos de GC podem ser compreendidos da seguinte maneira:

Quadro 8: Modelos adotados de Governança Corporativa

Modelos Características Concentração Acionária

Americano. Pouca influência dos acionistas. Diluída.

Papel relevante dos gestores.
Anglo Saxão. Papel importante do Conselho de Concentrada.
Administração.
Europeu. Gestão mais controlada. Existem Concentrada.
os Conselho de Administração e
Supervisão.
Japonês. Participação efetiva dos Diluída.
acionistas. Proteção ao acionista
minoritário.
Latino Americano. Empresas familiares. O controle Concentrada.
se confunde com a gestão.
Fonte: elaborado pelo autor

2.3.7 Governança Corporativa e Desempenho Financeiro

A adoção de práticas de GC vem a auxiliar as empresas a obter recursos no
mercado de uma forma mais segura, haja vista que, ao adotar as boas práticas deste
sistema, o mercado observa isso como um diferencial em relação a outras empresas.
Contudo, ao se observar as empresas em si, a busca por um bom desempenho financeiro
é um dos seus principais objetivos a serem almejados ao longo do tempo, pois visa a sua
manutenção e expansão no médio e no longo prazo. Por sua vez, ao se observar os ganhos
proporcionados pelo advento da globalização no final do século XX, nota-se que isto
levou a uma maior integração dos mercados de bens, serviços e financeiro, sendo que,
sob a ótica do desempenho financeiro, os levantamentos de dados contábeis financeiros
passaram a serem primordiais para a execução de uma análise correta das empresas, com
vistas aos aportes de capital, à fusão, aquisição, avaliação entre outras análises. Assim,
para Nascimento et al. (2012), avaliar o desempenho financeiro auxilia os
administradores ao observar se suas estratégias adotadas foram eficientes. Para a
mensuração do desempenho financeiro, o Comitê de Pronunciamentos Contábeis (CPC)
 57

(2011) cita as demonstrações contábeis, que são elaboradas com o intuito de apresentar
ao mercado a evolução de dados históricos da empresa, assim como as projeções futuras
de resultados, servindo, portanto, como uma ferramenta relevante para a mensuração do
desempenho das empresas. Borges et al. (2014) assinalaram que a análise do desempenho
financeiro é relevante pois é um instrumento que tem a finalidade de examinar a eficiência
das medidas tomadas e projetar o futuro. Neste mote, Perez e Famá (2015) observaram,
como fatores preponderantes no desempenho, a globalização e as inovações tecnológicas
por aumentarem a concorrência entre as empresas, sendo fatores fundamentais na
determinação de um desempenho superior ao se comparar uma empresa com outra.

Ao se investigar a relevância da GC no desempenho financeiro, Silva (2006)

ponderou que a GC vem a ser um mecanismo que visa melhorar o desempenho das
empresas, promovendo um melhor ambiente para os envolvidos com a empresa, no caso,
investidores, empregados e credores, de modo que a obtenção de recurso poderá vir a ter
um melhor acesso. Assim, para melhor efetividade da GC e com o intuito de criar um
ambiente que favoreça as relações entre acionistas e gestores, atestou-se a necessidade de
se criar parâmetros que servissem como indicadores para serem seguidos, balizando, logo,
as posturas a serem implementadas. Dessa forma, vários países criaram seus próprios
códigos, de modo a permitir as melhores práticas de GC dentro da realidade de cada um
deles. Contudo, para melhor avaliar o desempenho financeiro das empresas, é de
fundamental importância a análise de indicadores da empresa, no sentido de direcionar
recursos para projetos e, também, avaliar as estratégias de tomada de decisão adequadas
ao momento. Segundo Assaf Neto (2012), tais indicadores permitem analisar e avaliar o
desempenho das empresas. Para Bortoluzzi, Ensslin e Chaves (2014), Fernandes et al.
(2015), Ribeiro (2017) e Dani et al. (2017), os indicadores têm como finalidade dar o
devido suporte à tomada de decisão para a manutenção da empresa. Porém,
independentemente das novas abordagens de mensuração já propostas, a análise contábil
continua sendo a mais utilizada em estudos de desempenho financeiro, de modo que, para
o CPC (2011), as demonstrações contábeis são elaboradas com o intuito de apresentar ao
mercado a evolução de dados históricos da empresa, assim como as projeções futuras de
resultados. Todavia, ao se observar estudos que envolvam GC e desempenho financeiro,
diversos índices podem vir a ser utilizados para as devidas análises.
 58

2.3.8 Indicadores de Desempenho Financeiro

Os indicadores financeiros, segundo Machado (2015), são calculados através das
demonstrações contábeis, em que se apresentam a capacidade de pagamento, os prazos e
pagamentos, estoques etc. Reis (2009), assim, salientou que tais índices de rentabilidade
permitem mensurar a capacidade de uma empresa gerar lucro como capital investido nela,
independentemente de ser próprio ou de terceiros.

Basicamente, são apresentados três indicadores, sendo eles: o Retorno sobre o

Ativo (ROA), o Retorno sobre o Patrimônio Líquido (ROE) e o Retorno sobre o Capital
Investido (ROIC).

Retorno sobre o Ativo (ROA)

Para Weston e Brigham (2000), o ROA é um índice que compara a relação entre
o lucro líquido e o ativo total da empresa, sendo que, para Kassai et al. (2002), trata-se
da verdadeira taxa de retorno, uma vez que, independentemente da estrutura de
financiamento, apresenta a capacidade que a empresa tem de gerar resultados. Assim o
ROA abarca informações sobre o quanto os ativos geram para a empresa, sendo que,
quanto maior o resultado, melhor o desempenho da empresa.

De acordo com Matarazzo (2003), a fórmula para cálculo do ROA é a razão entre
o lucro líquido após o imposto de renda e o ativo total.

Lucro Líquido
ROA = Ativo Total

Retorno sobre o Patrimônio Líquido (ROE)

Para os acionistas, o ROE é relevante por apresentar se o retorno do investimento

feito é superior a outras alternativas possíveis e também se o valor apurado foi superior
às taxas oferecidas pelo mercado. O ROE, portanto, avalia a geração de lucro de uma
empresa através do Patrimônio Líquido desta, isto é, serve para mensurar a capacidade da
administração da empresa em gerar valor para os acionistas da empresa, dados os recursos
aplicados. Segundo para Assaf e Lima (2014), tal indicador pode ser comparado em
relação ao que seria a taxa mínima de retorno que o acionista espera receber. Para os
autores, um ROE que seja maior que o custo de capital, o que indica um valor de mercado
superior, gera riqueza para os acionistas. De acordo com Kijewska (2016), para que haja
um aumento no ROE, é necessário o crescimento do lucro líquido ou a diminuição do
Patrimônio Líquido da empresa.
 59

Assim o ROE é determinado pela fórmula:

Lucro líquido do exercício

ROE = Patrimônio Líquido

Retorno sobre Capital Investido (ROIC)

O ROIC analisa a geração de lucro por parte da companhia, levando em conta o

volume alocado de capital próprio e de terceiros. Segundo Higgins (2014), o ROIC
apresenta a taxa de retorno auferida sobre o total de capital aplicado na empresa, sendo
ele Patrimônio Líquido ou dívida. O autor não fez distinção entre o que seria a origem
dos recursos investidos na empresa. Para Baldwin (2018), o ROIC serve para avaliar o
retorno ganho em relação ao capital financeiro aplicado. Cabe observar que o ROIC se
diferencia do ROE em função de que este, o ROE, compara o lucro com o ´Patrimônio
Líquido, enquanto o primeiro, ROIC, observa somente o volume investido para a geração
de lucro. O ROIC aplica-se ao desempenho operacional da empresa. O ROIC, assim,
mostra uma capacidade maior em comparação ao ROA e ROE, pois leva em conta o
desempenho operacional da empresa, representando de forma mais concisa a taxa de
retorno obtida em função dos recursos alocados.

Logo o ROIC é determinado pela fórmula:

NOPAT
ROIC = CI

sendo:

NOPAT = Resultado Operacional após impostos;

CI = Passivo Oneroso + Investimento Líquido.

Diversos estudos relacionando indicadores financeiros ROA, ROE e ROIC e GC

foram elaborados, para as mais diferentes análises. Pode-se citar os estudos de Azevedo
(2018) que observou uma relação positiva dos indicadores financeiros e de rentabilidade
ROE (Retorno sobre Patrimônio Líquido), ROIC (Retorno sobre Capital Investido) em
empresas listadas na B3 que adotaram práticas de GC entre 2013 e 2017. Conclui-se que
as empresas que adotaram as práticas de GC apresentaram um melhor desempenho
financeiro. Nascimento et al. (2018) analisaram a relo entre GC, risco e endividamento
no valor e desempenho financeiro de empresas listadas na BMF&Bovespa entre 2013 e
2015. Os autores concluíram que existem relações entre Endividamento e Valor de
 60

Mercado, Risco e Desempenho Financeiro e também entre Governança e Valor de

Mercado, no caso para empresas de maior porte. Cabe ressaltar que os autores também
observaram esta mesma relação para as empresas de menor porte, detectando a relevância
do tamanho da empresa nesta questão.

Albuquerque et al. (2019) analisaram a influência da GC e da intangibilidade no

desempenho das empresas (ROA e Q de Tobin). Sua amostra compreendeu 81 empresas
listadas na publicação Exame Maiores e Melhores, no ano de 2018. A conclusão dos
autores foi que um melhor desempenho é alcançado através de práticas de GC e que a
intangibilidade apresenta pouca significância para o desempenho.

Oliveira (2019) verificou se a adesão de empresas ao nível Bovespa Mais e a

práticas de GC serviu para estas apresentarem um melhor desempenho financeiro. Os
autores utilizaram uma amostra de nove empresas deste segmento. Foram elaborados
alguns índices como o de liquidez corrente, endividamento, participação de capital de
terceiros e ROE. A análise levou em consideração um período de tempo de dois anos
antes da adoção, o ano da adoção e os dois anos após a adoção deste nível. Chegou-se à
conclusão de que a liquidez diminuiu, o endividamento aumentou, a participação de
capital de terceiros diminuiu, e o ROE também diminuiu. Não se observou qualquer
mudança em relação à adoção deste nível, antes e depois da adoção, bem como das
práticas de GC.

Xavier (2020) investigou os índices de rentabilidade das empresas, via ROA, ROE
e ROIC, que compõem o segmento do Novo Mercado listado na B3 (Brasil, Bolsa,
Balcão) em relação ao mercado tradicional, utilizando 229 empresas no ano de 2018,
sendo 130 do Novo Mercado e 99 do mercado tradicional.

Arruda (2020) observou a influência da participação do ISE (Índice de

Sustentabilidade Empresarial) no desempenho financeiro das empresas de energia elétrica
listadas na B3, entre 2015 e 2019 (Brasil, Bolsa e Balcão), com a utilização do ROA,
ROE, ROIC entre outras variáveis. O autor concluiu que a participação das empresas no
ISE não está diretamente relacionada a um melhor desempenho financeiro, pois os índices
de Rentabilidade, Liquidez e Endividamento apresentaram médias maiores para as
empresas que não pertencem ao ISE.

Lopes et al. (2021) analisaram a relação entre gerenciamento de riscos, GC com

governança corporativa e desempenho em empresas brasileiras que possuam American
 61

Depositary Receipts (ADRs). Os autores utilizaram uma amostra de 37 empresas não

financeiras, e, para gestão de risco, foram consultados os relatórios de administração, com
a utilização de uma escala dicotômica. Os resultados apurados foram de que as empresas
Copel, Sabesp, Petrobras, Tractebel Energia, BRF Foods, Cemig e CESP indicaram
índices médios mais elevados de evidenciação no período, sendo que não foi observada
qualquer relação com as práticas de GC e desempenho.

Degenhart et al. (2021) analisaram a relação entre as práticas de GC e o

desempenho das empresas listadas na B3, participantes do NDGC 1, 2 e Novo Mercado
entre 2014 e 2018. Os resultados apurados pelos autores foram de que empresas
pertencentes ao Nível 1 e 2 apresentaram uma relação positiva do comitê de auditoria
com ROA; por sua vez, as empresas do Novo Mercado exibiram relação negativa com a
independência do conselho e o ROA, e relação positiva do comitê de auditoria e sua
experiência e o Q de Tobin.

Gomes e Mello (2022) estudaram a possibilidade de o desempenho econômico e

financeiro determinar as práticas de governança corporativa do próximo exercício. Para
tal, utilizaram como amostra as empresas que fazem parte do índice Bovespa no ano de
2016. Os autores observaram resultados relevantes em relação ao ROA e ao pagamento
de dividendos, concluindo que as empresas representadas pelos seus principais podem
passar a exigir as práticas de GC.

Vieira (2022) analisou a relevância da GC e dos processos de auditoria no

desempenho financeiro das empresas, sendo listadas as empresas da B3, entre 2011 e
2017. O autor apurou que, quanto maior a quantidade de membros independentes no
Conselho, menores serão o ROA e ROE. Quanto ao desempenho financeiro (BTM e Q
de Tobin), quanto maior for a adoção de práticas de GC, melhor é o resultado destas
variáveis. Os achados apresentados indicam que a adoção de tais práticas influencia no
desempenho das empresas.

Ainda em relação à determinação de quais seriam os indicadores eficientes para a

mensuração do desempenho financeiro e de que modo a GC os afeta, diversos estudos
foram elaborados para observar tal influência. Catapan et al. (2013) procuraram verificar
como a adoção por parte das firmas da estrutura de GC afeta o desempenho das firmas.
Isto é, considera-se que o grau de GC da firma é um item explicativo para o seu
desempenho financeiro. Os autores selecionaram variáveis contábeis para mensuração do
 62

desempenho destas firmas, a saber: Retorno sobre Ativos, Lucro antes dos juros, imposto,
depreciação e amortização (EBITDA), Q de Tobin, Índice de Governança Corporativa,
alavancagem e Tamanho. Luz (2013), por sua vez, salientou que os indicadores de
liquidez são índices eficientes para observar a possibilidade de solvência ou as
dificuldades financeiras da empresa, sendo relevante para informar aos stakeholders, no
caso, destacando os índices de liquidez corrente, liquidez seca, liquidez imediata e
liquidez geral e também o índice de liquidez imediata (disponível/passivo circulante) que
visa determinar a quantidade de recursos disponível que a empresa possui para honrar
suas obrigações.

Estudo feito por Silva et al. (2019) corroborou a utilização de índices de liquidez,
ao analisar 101 empresas da B3, no período de 2010 a 2016, utilizando análise fatorial
exploratória, demonstrando que tais índices de liquidez podem vir a se agrupar como um
único fator explicativo para a mensuração do desempenho. Entre os diversos estudos
abordando as variáveis de mensuração, citam-se:

Quadro 9: Indicadores de Desempenho Financeiro

Indicadores Fórmula
ROE Capital de Terceiros Petacchi (2015), Mapurunga,
Patrimônio Líquido Ponte e Oliveira (2015)
Nascimento et al. (2018).
ROA Lucro Líquido Bastos e Nakamura (2009) e
Ativo Total Vallandro (2009) Nascimento
et al. (2018)
ROIC Lucro Líquido Nascimento et al. (2018),
Vendas Líquidas Oliveira (2019) e Xavier (2020).
BtM Preço da ação Leal (2004). Carvalho, Maia,
Valor Contábil po Ação Louzada e Gonçalves (2017).

P/L Valor de Mercado Haryono et al. (2016) e Wang et

Lucro por Ação al. (2016).

Legenda: Retorno sobre o Patrimônio Líquido (ROE); Retorno sobre o Ativo (ROA); Retorno sobre o
CapitalInvestido (ROIC); Book to Market (BtM); Índice Preço Lucro (P/L).

Por sua vez, ao se relacionar GC ao desempenho financeiro, Malacrida e

Yamamoto (2006) compreenderam os instrumentos de GC como um meio de resguardar
os interesses dos stakeholders, servindo também para promover o desempenho destas
empresas no mercado. Já Ehikioya (2009) salientou que uma boa GC diminui a
possibilidade de ocorrer problemas futuros com a empresa. Hsu e Petchsakulwong (2010)
observaram que a GC e o desempenho financeiro são cruciais para a tomada de decisão
dos investidores, pois são fundamentais para as decisões de curto e de longo prazo da
empresa. Vieira et al. (2011) apontaram que a utilização de práticas de GC leva a uma
 63

melhor performance financeira, com base em informações contábeis, e serve para

verificar a situação financeira da empresa. Ferreira et al. (2013) assinalaram que as
empresas, ao se qualificarem a participar do NM da B3, ficam mais atrativas, com
possibilidade de investimento, para o mercado, podendo obter um custo menor na
captação de recursos, repercutindo, assim, no seu desempenho. Esses mecanismos
servem, assim, como um atrativo para investimentos, sendo que, para Caldas, Tambosi
Filho e Vieira (2014), estes, quando são bem caracterizados e observados pelo mercado,
acabam por ajudar no desempenho das empresas. Tanto Ulum et al. (2014), Vilhena e
Camargos (2015) e Nascimento et al. (2018) também observaram que, quando da
existência de mecanismos de GC, esses refletem no desempenho financeiro. O quadro 10
apresenta, assim, uma síntese de outros estudos que relacionam a adoção de GC e o
impacto no desempenho das empresas.

Em relação aos estudos empíricos internacionais que abordam a relação de GC e

o desempenho financeiro, Iqbal et al. (2019) se utilizaram do modelo de dados de painel
para 173 empresas na Ásia. Os autores elaboraram um Índice Geral de Governança
Corporativa, levando em conta tamanho, conselho, características do Chief Executive
Officer (CEO) e o tipo de propriedade. Empregaram ainda, como índices de desempenho
financeiro, Retorno sobre Ativo, Retorno sobre Patrimônio Líquido, rendimento de
carteira e índice de despesa operacional, observando que a lucratividade e
sustentabilidades destas apresentaram bons resultados ao adotar as práticas de GC. Kyere
(2021) analisou a mesma relação com as 252 empresas listadas não financeiras da Bolsa
de Londres, no período de 2014. Foram utilizados, como índice de desempenho
financeiro, o Retorno sobre Ativos e Q de Tobin e, como mecanismos de GC, comitês de
auditoria, tamanho do conselho, independência do conselho, dualidade do cargo de CEO
e o do acionista interno, que diz respeito ao cargo de diretoria em que esse possui ações
da corporação. Os autores observaram que os resultados são inconclusivos, podendo tal
relação ser positiva, negativa ou sem qualquer efeito. Musa (2020) analisou essa relação,
via modelo de dados em painel, para o setor bancário da Nigéria, no período de 2013 a
2015. Para a elaboração do IGC, utilizaram-se o grau de independência do conselho,
tempo de constituição do banco, reuniões do conselho, tamanho do banco e o gênero dos
membros do conselho; para a variável de desempenho financeiro, foi utilizado o Retorno
sobre Ativos. Os resultados observados foram que as relações são pouco significativas,
excetuando a relação entre tamanho e Retorno sobre Ativos. Al-Ahdal et al. (2020)
 64

examinaram o impacto dos mecanismos de GC e desempenho financeiro nas empresas

listadas na Índia e no Gulf Corporation Council (GCC), num total de 106 empresas, no
período do 2009 a 2016. Foi observado que tanto o conselho de administração quanto os
comitês de auditoria influenciam positivamente no desempenho, ao passo que
transparência na gestão, assim como a divulgação de informações, pouco afeta o
desempenho financeiro. Para tal, os autores utilizaram como indicadores de desempenho
o ROE e o Q de Tobin. Cabe destacar outros estudos que procuram determinar as relações
entre mecanismo de GC e desempenho financeiro, no caso, Amran (2014), Gaur, Bathula,
Singh (2015) e Wahba (2015).
2.4 Inovação
A competição entre as empresas, o desenvolvimento de novos produtos e
processos, assim como a busca por novos mercados, fizeram com que a inovação passasse
a ter um papel crucial no processo concorrencial entre as firmas. Inicialmente, o conceito
de inovação requer maiores esclarecimentos, a começar pela distinção entre inovação
tecnológica e atividade inovadora. De acordo com o Manual Oslo (1997), da OECD, o
primeiro termo aborda a elaboração de produtos novos ou alguma melhoria relevante
ocorrida nos mesmos; já o segundo termo abarca várias atividades categorizadas da
seguinte forma: pesquisa e desenvolvimento, engenharia industrial, produção, marketing
para novos produtos, aquisição de tecnologia tangível e intangível e desenho. Em se
tratando do conceito de inovação, especificamente, Schumpeter (1985) observou se tratar
de: (i) introdução de novos produtos no mercado; (ii) novos métodos de produção; (iii)
criação e abertura de novos mercados; (iv) surgimentos de novas fontes de matérias-
primas e insumos; e (v) surgimento de novas estruturas de mercado na manufatura. O
autor salientou que a inovação tem como objetivo garantir a competitividade da empresa,
isto é, manter o sistema capitalista em seu pleno funcionamento através de novos
processos, nas diversas áreas da organização provocando mudanças substanciais no
posicionamento competitivo da empresa. Freeman (1987) destacou que esta não
necessariamente passa por processos de pesquisa e desenvolvimento, uma vez que ela
pode ser oriunda de qualquer tipo de sugestão que possa ser dada pelos envolvidos na
elaboração, no processo ou no consumo de um bem ou serviço. Segundo Ribault et al.
(1995) e Betz (1998), trata-se de um novo processo, produto ou serviço que resulte numa
exploração comercial. Para Sten et al. (1999), a inovação permite que as empresas tenham
novos produtos, processos de produção, e Besanko et al. (2000) consideraram que a
 65

inovação é completamente relevante para a manutenção de um nível competitivo da

empresa no mercado. Segundo a OCDE (2004), a inovação trata da utilização de um bem,
produto serviço ou qualquer outro processo que venha a trazer melhorias, podendo ser de
quatro tipos, a saber, de produto, processo, organizacional e de marketing, conceitos esses
apresentados no Manual de Oslo em 1992.

Em continuidade a este conceito, Bessant e Tidd (2009) declararam que se trata

de um processo que apresenta ideias em produtos e serviços, podendo ser incremental ou
radical. No primeiro caso, é um processo que apresenta pequenas melhorias na produção;
quanto ao segundo, gera uma mudança significativa no processo. Gunday et al. (2011)
consideraram como um conjunto de aplicações que evolucionam os processos de
produção, permitindo apresentar ao mercado novos produtos, dando ênfase na criação de
valor comercial para a empresa. Kotsemir, Abroskin e Meissner (2013) relacionaram
inovação em termos de criação de novos mercados, salientando que tal conceituação não
deva ser única nem generalizada. Para Rhéaume e Gardoni (2016), a inovação consiste
na aplicação de um novo conhecimento a um processo, sendo vista como o resultado
deste. Para Tonelli et al. (2016), a inovação refere-se à implementação de novo método
organizacional ou gerencial que difere significativamente dos métodos já existentes na
organização. No mesmo sentido, Marques, Rasoto e Bocchino (2017) veem a inovação
através do papel do empreendedor (indivíduo ou organização) sem levar em conta as
habilidades necessárias de conhecimento gerencial para lidar com a inovação, já que essa
trata de um processo. Igualmente, Eckhardt, Ciuchta e Carpenter (2018) apresentaram
uma visão de inovação com foco diferente, pois, para eles, em vez de criar produtos ou
melhorar os já existentes, o empreendedor pode desenvolver itens complementares aos já
lançados, que são aqueles que precisam ser utilizados em conjunto para desempenhar suas
funções completas. Nesta concepção, González-Fernández e González-Velasco (2018)
apontaram a inovação como um fator preponderante que permite que a empresa produza
bens e serviços com maior valor agregado, gerando lucros. Diante disso, a inovação é
apresentada por diversos autores como extremamente relevante para que a empresa possa
manter sua competitividade (LEE, SMITH e GREIMM, 2003; TIDD, BESSANT e
PAVITT, 2008; TROTT, 2012; RHÉAUME e GARDONI, 2016).

Assim a inovação passa a ser de extrema relevância na busca por vantagem

comparativa, isto é, uma forma de uma empresa se sobrepor ao seu concorrente, via
diferenciais observados pelo mercado, preço, qualidade etc. De acordo com Barney
 66

(1991), a vantagem competitiva, no caso apresentada pela inovação, ocorre em função de

empresas identificarem novas oportunidades que permitam ter uma maior performance
organizacional quando comparada à dos seus concorrentes. Diferentes perspectivas
inovativas são observadas, pois, no âmbito organizacional e financeiro, proporcionando
a geração de devidas vantagens para as empresas. Para Teece, Pisano e Shuen (1997), a
inovação visa incorporar uma vantagem competitiva, na estrutura da empresa, permitindo
apresentar um diferencial percebido pelo mercado, assim como um desempenho
sustentável. Hurley e Hunt (1998) observaram que empresas que são capazes de inovar
apresentam uma elevada performance, o que acaba sendo considerado como uma
vantagem em relação a outras empresas. Sten et al. (1999) ponderaram que as firmas
podem alcançar vantagens através da inovação, ao executarem suas tarefas. Cabe destacar
que sua contribuição foi relevante, uma vez que ele observou o que se denomina
posicionamento competitivo, conceito que se baseia na adoção de estratégia competitiva,
em que é observado o ambiente externo, focando internamente no posicionamento da
empresa no mercado, apresentando, assim, vantagens em relação a outras empresas.
Besanko et al. (2000) e Ito et al. (2007) veem a inovação como um fator primordial para
que a empresa possa vir a manter um crescimento contínuo nas suas atividades. Tomé
(2013) salientou que a inovação pode começar a desempenhar um papel relevante na
manutenção de uma vantagem competitiva quando também passa a ser observada em
outras áreas da empresa. Dos Santos et al. (2013) atestaram que a busca pela vantagem
competitiva é algo a ser considerado imperativo e contínuo, relacionado à utilização de
ativos intangíveis relevantes ao processo inovativo da empresa. Por sua vez, Dos Santos
et al. (2016) observaram que, uma vez que a empresa tenha determinados recursos que
não possam vir a ser copiados pelos seus concorrentes, esta poderá alcançar a vantagem
competitiva, sempre visando a estratégias de criação de valor.

2.4.1 Identificação da Firma inovadora

Determinar as características que diferenciam uma firma inovadora de uma não
inovadora pode ser considerado como relevante ao se distinguir esta das suas
concorrentes. Pinchot III (1985) apontou que a capacidade de uma firma inovar é
relevante para o negócio ter êxito, sendo que essa deverá ser a principal meta das firmas,
pois, até mesmo entre as firmas inovadoras, existe uma concorrência entre elas, já que
ocorrem diversas mudanças que envolvem novas tecnologias, além do próprio ambiente
de negócio. Na visão de Nelson e Winter (1982), a firma não busca maximizar o lucro,
 67

mas sim auferir lucro. Isso ocorre por a firma estar em um ambiente dinâmico, em que a
tomada de decisão ótima fica comprometida devido a esse mesmo dinamismo. Para os
autores, a inovação, em si, leva ao lucro. A questão da firma inovadora tem, assim, sua
relevância por se tratar de uma forma de a empresa apresentar uma fonte de vantagem
competitiva, sustentável, permitindo auferir maiores ganhos, em função da percepção da
diferenciação do seu produto pelo mercado e também da propensão de vir a gerar maiores
ganhos financeiros no futuro, dadas, ainda, as oportunidades de investimento surgidas.
Schumpeter (1985) citou a firma inovadora como sendo extremamente relevante para que
ocorra o desenvolvimento da inovação. Chandler (1990, 1992 a e b) as observou como
um ente que busca criar novos bens, procedimentos e novas estruturas organizacionais,
cabendo às firmas formalizarem suas áreas de pesquisa e desenvolvimento (P&D), no
caso, criar internamente laboratórios e centros de teste. De acordo, ainda, com o Manual
de Oslo — OCDE (1997) —, que trata de um referencial internacional da OCDE de
informações de atividades inovadoras, a firma inovadora é aquela que, em um dado
período de tempo, desenvolveu e implementou estratégias e processos em diversas áreas,
de modo a combiná-las e auferir resultados. Tidd, Bessant e Pavitt (1998) observaram que
a firma inovadora é vista como diversos entes que trabalham de forma organizada criando
um ambiente propício para a atividade inovadora. Bastos e Bueno (2002) consideraram
que a firma inovadora seria estabelecida com base no potencial das pessoas envolvidas
no processo produtivo, bem como nas suas habilidades na execução de um processo mais
eficaz. Contudo, ao se abordar o entendimento da capacidade de inovação, deve-se ter
maior destaque no processo inovador, em que se consideram determinadas competências.

2.4.2 Competências à Inovação

Ao se analisar as competências necessárias que venham a distinguir uma firma
inovadora de uma não inovadora, passa a ser necessário observar que a primeira apresenta
determinadas competências que as diferenciam. Segundo Nonaka e Takeuchi (1995), as
competências são apresentadas sob três óticas: organizacionais, relacionais e técnicas. A
primeira trata da criação de conhecimentos dentro da firma, o seu ambiente e as condições
propícias. A segunda diz respeito à forma como se dá a relação da firma com outras
firmas, fornecedores e, de modo geral, com o mercado. E por último, tem-se a terceira,
que trata do gerenciamento do processo produtivo e das devidas tecnologias utilizadas.
Para Bastos e Bueno (2002), a relevância da firma inovadora estava em possuir um quadro
pessoal apto a implantar as inovações no processo produtivo. Uma outra competência
 68

abordada por Alves e Bomtempo (2007) trata da reunião de fatores e competências, que,
assim como a tecnológica, devem, também, ser levadas em conta, como a questão
organizacional interna e a questão relacional externa, com outras firmas. Em relação ao
ambiente interno, a questão cultural da empresa, sua missão, sua estratégia, a melhoria
contínua e as satisfações ao cliente devem ser vislumbradas. Junto a isso, há também os
processos internos adotados que devem ser considerados como o incentivo na
apresentação de ideias; a sua devida revisão e sua implementação levando em conta a
viabilidade; a mensuração dos desempenhos das partes envolvidas e o treinamento
contínuo. Por último, cita-se o aspecto externo que trata da relação da empresa com
clientes, fornecedores, investidores e principalmente com outras firmas, o que vai de
acordo com o proposto por Nonaka e Takeuchi (1995).

Ademais, segundo Ruffoni (2009), o processo de inovação tecnológica da firma

vem a ser um conjunto de diretrizes internas que visam ao processo produtivo, bem como
a sua transferência e à aplicação de conhecimentos, com vistas à geração de novos
produtos, formas produtivas e organizacionais. Por se tratar de fatores distintos, a sua
organização é fundamental para a geração de novos bens ou serviços. Contudo, Pelaez et
al. (2009) sinalizaram que apenas recursos tecnológicos não são suficientes para garantir
vantagens competitivas, pois também é importante destacar a capacidade administrativa
da firma para gerenciamento de fatores internos e externo na administração deste
processo. Frezzatti et al. (2013) apontaram que a questão da flexibilidade na implantação
e operacionalização de ideias é um item relevante para se criar um ambiente inovativo.
Assim como para Heavey e Simsek (2013) e Hall, Bachor, & Matos (2014), fatores como
desenvolvimento organizacional, flexibilidade, ambiente são fundamentais para as firmas
terem uma base inovadora, no cenário atual de competitividade. Contudo, ao se analisar,
especificamente, as competências da firma inovadora, Rothwell (1989) apontou seis
quesitos básicos para que uma firma seja considerada inovadora. São eles:

i) Compromisso com a inovação: que trata da busca sistemática e incessante no

desenvolvimento de novos produtos, sendo que, para tal, reconhece a concorrência entre
as empresas e também se dispõe a alocar recursos para esse processo;

ii) Inovação como uma tarefa de todos na firma: no processo de inovação, a firma
como um todo precisa ter coesão nas suas competências de maneira equilibrada e
coordenada;
 69

iii) Atenção ao mercado: o conhecimento das necessidades dos seus clientes,

assim como o desenvolvimento de novos produtos que os atenda, prosseguindo até o pós-
venda;

iv) Design eficiente e composição do produto: destaca a importância dada ao

processo de desenvolvimento do produto, com os devidos testes e correções ao longo do
tempo, até o lançamento final do produto;

v) Comunicação interna e externa eficaz: a troca de informações promove

experiências que auxiliam no desenvolvimento do produto, bem como as parcerias
externas que promovem o desenvolvimento de novas pesquisa em parcerias com outras
empresas; e

vi) Habilidades Gerenciais: levam em conta o recrutamento de pessoas com as

devidas habilidades quanto à administração da firma e a seus projetos.

Quadro 10: Requisitos para uma firma ser considerada inovadora – Rothwell (1989)

Requisitos Características
Compromisso com a inovação. Busca no desenvolvimento de novos produtos.
Inovação como uma tarefa de todos. Coesão na participação.
Atenção ao mercado. Observar as necessidades.
Design eficiente e composição do produto. Desenvolvimento do produto.
Comunicação interna e externa eficaz. Troca de informações entre os envolvidos.
Habilidade Gerenciais. Pessoal qualificado.
Fonte: Rothwell (1989)
Por sua vez, para Tidd, Bessant e Pavitt (1997), a firma não é uma simples
estrutura organizacional, mas sim um organismo em que diversos setores interagem de
forma integrada com o objetivo de criar um grupo propício para gerar inovação. Para eles,
a firma inovadora possui dez componentes que determinarão seu bom desempenho. São
eles:

i) Visão compartilhada e liderança: enfatizam que a inovação está na

aprendizagem, mesmo sendo de alto risco e custo;

ii) Indivíduo-chave: profissional considerado fundamental para possibilitar o alto

desempenho da firma, um gestor que promova sinergia entre os envolvidos e também seja
favorável ao processo de inovação;

iii) Treinamento e desenvolvimento contínuo: leva a um elevado desempenho da

firma, mostra o comprometimento desta na busca por melhorias contínuas;
 70

iv) Envolvimento pessoal: no processo, um maior envolvimento individual,

visando a um maior comprometimento com o processo inovativo, resulta num melhor
desempenho organizacional com vistas à inovação;

v) Trabalho em grupo: grupos de trabalho que permitam um maior

desenvolvimento de ideias possibilitando a geração de novos conhecimentos, assim como
solucionar problemas surgidos durante o desenvolvimento de projetos;

vi) Ambiente criativo: trata de um ambiente organizacional criado na firma, em

que normas e procedimentos internos entre outros são bem definidos, permitindo a
liberdade de apresentar ideias;

vii) Foco externo: ressalta a importância de uma cultura organizacional que

permita ir em direção a clientes-chave, de modo a identificar e vislumbrar suas
necessidades;

viii) Comunicação extensiva: a necessidade de haver meios de comunicação entre

a empresa e os clientes de modo a envolver todas as partes visando gerar uma maior
interação;

ix) Aprendizagem organizacional: neste aspecto, observa-se a inovação como um

processo cíclico que gera uma execução que tem como etapas o experimento, a
experiência, a reflexão e a consolidação, de modo a gerar aprendizagem dentro da firma;
e

x) Estrutura organizacional apropriada: surge a necessidade de se criar uma

estrutura organizacional que permita maior flexibilidade, viabilizando maior integração
entre as áreas e ainda uma maior sinergia e tomada de decisão mais rápida.

Quadro 11: Requisitos para uma firma ser considerada inovadora – Tidd et al. (1997)

Requisitos Características
Visão compartilhada e liderança. Aprendizado com a inovação.
Indivíduo chave. Gestor responsável pelo processo.
Treinamento e desenvolvimento contínuo. Ênfase no desempenho.
Envolvimento pessoal. Participação de todos na empresa.
Trabalho em grupo. Propor ideias e soluções.
Ambiente criativo. Liberdade de propor ideias.
Foco externo. Detectar necessidades do mercado.
Comunicação extensiva. Ampla troca de ideias entre as partes.
Aprendizagem organizacional. Processo elaborado em etapas.
Estrutura organizacional apropriada. Flexibilidade e sinergia.
Fonte: – Tidd et al. (1997)
 71

Ambos os autores apresentaram concepções diferentes para uma firma ser

considerada inovadora; todavia, pode-se observar que tais quesitos apresentam uma
similaridade em relação a características que uma empresa inovadora deve ter, sendo
essas apresentadas no quadro13, a seguir.

Quadro 12: Quadro comparativo requisitos em inovação Rothwell (1989) x Tidd et al. (1987)
Compromisso com a inovação:
- Aprendizagem.
- Estrutura.
Inovação como uma tarefa de todos na firma:
- Treinamento.
- Envolvimento.
Atenção ao Mercado:
- Foco.
Design eficiente e composição do produto:
- Grupo.
- Ambiente.
Comunicação interna e externa eficaz:
- Comunicação.
Habilidades Gerenciais:
- Visão.
- Indivíduo chave.
Fonte: Rothwell (1989), Tidd et al. (1997) - adaptado pelo autor.

Outra forma de se observar as competências necessárias para as firmas foi

apresentada por Tidd, Bessant e Pavitt (2008), em que a firma, com vistas à inovação,
deverá observar quatro tipos de inovação, sendo elas os 4Ps da inovação:

i) Produto: mudanças, em si, nos produtos/serviços;

ii) Processo: mudanças na forma em que os produtos/serviços são criados e

entregues;

iii) Posição: mudanças no contexto em que produtos/serviços são introduzidos no

mercado); e

iv) Paradigma: mudanças nos modelos mentais subjacentes que orientam o que a
empresa faz.

Quanto a esse último aspecto, corrobora o que Siffert (1998) destacou, em relação
à estrutura organizacional da firma que é de fundamental importância, em termos de GC,
pois identifica mudanças de natureza estratégica para o possível controle das atividades.
Também, Crossan e Apaydin (2010) atestaram como determinantes relevantes a
inovação, quanto à administração gerencial da inovação, de modo a impactar no
desempenho, são eles:

i) liderança;
 72

ii) níveis gerenciais subdivididos em estratégia, estrutura organizacional e

sistemas, recursos, aprendizado e gestão do conhecimento, e cultura organizacional; e

iii) processos de formatação de negócios.

Adoção de tais práticas pelas firmas, no caso, segundo Amore et al. (2016),
apresenta, assim, algumas nuances referentes ao processo de decisão das firmas, como,
por exemplo, na gestão da inovação. Isso ocorre, segundo Cantista et al. (2008) e Chen
et al. (2009), devido ao fato de as atividades inovativas exigirem que diversos agentes, de
diferentes firmas com diferentes fontes de crédito, promovam estratégias empresariais
mais complexas do que as usuais, daí a relevância neste tipo de gestão. Dessa forma, para
Shapiro et al. (2015), pode-se compreender de uma melhor maneira a vinculação do
processo de inovação empresarial que leva à existência e manutenção da firma inovadora.

2.4.3 Governança da Inovação

Sendo o processo de inovação, segundo Toth (2015), de fundamental importância
para a produção e diferenciação da empresa no mercado, Nain et al. (2019) assinalaram
que a forma em que está organizada a cadeia de produção da empresa é fator determinante
para o sucesso ou fracasso da inovação. Kühne et al. (2015); Lambrecht et al. (2015),
Nain et al. (2019) e Mancini et al. (2019), assim, apontaram que a forma em que está
organizada a cadeia produtiva pode ser analisada em função da estrutura de GC adotada,
pela empresa, pois essa deverá fornecer as devidas condições para que esse processo
venha a gerar produtos e serviços com maior valor agregado, trazendo repercussões para
o desempenho financeiro. Daí o conceito de governança da inovação, que, segundo
Deschamps (2012a), pode ser compreendido como um meio que determina a missão, o
foco e a implementação do processo inovativo dentro da empresa, esclarecendo as devidas
políticas para tal, os processos a serem executados, seria a implantação do processo
inovativo. Interessante observar que Polydoro (2015) assinalou que a criatividade é um
dos principais fatores do processo de inovação, de modo que deva ser sempre incentivado,
aceitando as ideias e sugestões dos funcionários. Contudo, para que isso ocorra, é
necessário um tipo de cultura organizacional em que as gerências, nos seus mais diversos
níveis, compreendam esta relevância, acerca da inovação, e mantenham um ambiente
propício para tal. Terra et al. (2012) ponderaram que a inovação tem relevância em todos
os setores da empresa, daí a necessidade de uma sinergia entre esses entes que permita
que a inovação se concretize de fato. Há, ainda, a necessidade, segundo o autor, de que
existam núcleos voltados para esse processo, organizados pela gerência, uma vez que a
 73

organização do processo inovativo requer a determinação de responsabilidades. O autor

citou que, nestas empresas, o principal ponto da governança da inovação é o
estabelecimento de comitês de inovação, normalmente formados pela alta gerência. Neste
tipo de empresa, principalmente naquelas em que há um histórico de estabilidade nas suas
operações, a inovação não ocorre de forma espontânea, havendo a necessidade de um
poder organizacional que venha facilitar, coordenar e decidir com este fim, de modo a
envolver esforços multifuncionais e de forte sinergia entre as funções. Sendo que tal
estabilidade apenas ocorre quando a organização das equipes, a divisão de papeis e
responsabilidades sejam transparentes quanto ao desafio de inovar.
Tal observação está de acordo com o que Nagano, Stefanovitz e Vick (2014)
afirmaram, no sentido de que o nível de capacidade das lideranças da empresa em
entender o processo inovativo e saber administrá-lo é considerado a grande meta a ser
alcançada. Os autores ainda assinalaram que devam existir três eixos para que a inovação
se constitua: políticas de recursos humanos, liderança e estratégia, sendo todos os itens
de responsabilidade do Conselho de Administração. Igualmente, Deschamps e Nelson
(2014) frisaram que o Conselho de Administração é de extrema relevância para a
definição do processo de inovação da empresa, pois cabe a ele determinar a estratégia a
ser executada e o grau de risco aceitável, auditar o processo, avaliar o desempenho da
gestão da inovação e selecionar o responsável para essa execução. Por sua vez, Tidd &
Bessant (2015) observaram a importância de um departamento de P&D, de flexibilidades
para o desenvolvimento do projeto, do compartilhamento de sugestões entre outros
fatores, o que acaba por fortalecer a cultura organizacional, definindo, assim, de que
forma os processos serão organizados. Desse modo, este conjunto representa para os
autores o que se denomina governança de inovação. Cabe destacar, contudo, a existência
de problemas de governança que podem vir a conturbar o processo inovativo, e, no caso,
foram mencionados por Williamson (1987), ao apontar a existência de problemas de
assimetria de informação, risco moral e seleção adversa. Outro ponto relevante trata da
existência de muita burocracia, pouca liberdade de ação, falta de autonomia, falta de
comprometimento do quadro de pessoal da empresa e pouca transparência, que poderá
vir a desestimular a inovação, estando, segundo Dinkowski e Pertile (2019), todos esses
elementos presentes nos conceitos e mecanismo de governança corporativa. Ho et al.
(2018) também assinalaram a questão da dificuldade de obtenção de crédito no mercado,
em função dos entraves apresentados. Por conseguinte, os autores assinalam que
 74

problemas na estrutura de GC poderão vir a ser empecilhos para a existência de um

processo inovativo eficiente.
2.4.4 Auditoria Tecnológica e de Inovação
Contudo, ao se observar o processo inovativo, Alsaaty (2011) sublinhou que este
é considerado algo que vai além da produção de bens e serviços e da busca por novas
oportunidades de negócio. Isso ocorre devido ao fato de este processo englobar a criação
e comercialização de novos produtos, serviços e processos com vistas ao devido retorno
para a firma. Para determinar se uma firma está sendo inovadora ou não, isto é, se adota
de fato um processo inovativo, faz-se uso do que se denomina o processo de auditoria
tecnológica e de inovação. Esse conceito, segundo o trabalho seminal de Chiesa,
Coughlan e Voss (1996), trata de comprovar a existência de uma relação entre a
performance da inovação e dos processos internos, utilizados na empresa, objetivando
identificar os problemas e necessidades desta. Hallgren (2009) observou tal conceito
como um modo de a firma conseguir adotar determinada inovação e ainda aperfeiçoá-la,
principalmente, através do envolvimento das pessoas da firma. Tidd e Bessant (2015) já
atestaram que a auditoria da inovação é uma forma de se determinar a maturação sobre o
processo da inovação e sua devida condução por parte dos gestores. Cabe destacar, ainda,
que Björkdahl e Holmén (2016) afirmaram que diversos modelos podem servir de
auditoria, levando em conta determinados indicadores (desempenho, questionários
entrevistas) permitindo, assim, criar um score sobre a firma. Nesse sentido, Romao (2017)
também assinalou que, para a empresa, esse tipo de atividade é de fundamental
importância para a competitividade entre as empresas, proporcionando, portanto, uma
gama maior de diferenciais a serem observados com vistas à concorrência.

2.4.5 Modelos e Metodologias de Auditorias

Levando em conta o processo de auditoria tecnológica, para a sua devida aferição,
foram desenvolvidas metodologias com esse objetivo. Inicialmente, Rothwell (1992)
sugeriu uma mudança no padrão dos modelos adotados para a auditoria, do que ele
considera como modelos lineares, isto é, que levam em conta a inovação tecnológica e de
mercado, para o que se denominam modelos interativos que, além de considerar os itens
do modelo linear, incluem as diversas relações oriundas de outras atividades que tenham
relação com o negócio e também de parcerias feitas. Tal conceito visa proporcionar que
o processo inovativo seja considerado algo que se mantenha, de forma duradoura, na
 75

firma. Jonash e Sommerlatte (2001) apresentaram o Modelo de Inovação Avançada e de

Alto Desempenho, em que o processo inovativo da firma deve ser uma atividade contínua
no ambiente da firma, devendo ser incluída em todos os departamentos. Caraça, Ferreira
& Mendonça (2006) apresentaram um outro tipo de modelo, denominado Interações em
Cadeia, em que se vislumbram uma união entre o funcionamento da firma, o
conhecimento tecnológico e o mercado. Para Tidd et al. (2008), é necessário criar um
aparato organizacional que dê ênfase ao processo inovativo dentro da firma. Para tal,
observa-se um modelo organizacional que proporcione o devido apoio ao processo de
inovação através de quatro etapas: i) busca: em que se propõe a detectar sinais no
ambiente sobre potenciais mudanças; ii) seleção: que trata de realizar escolhas de
oportunidades tecnológicas e mercadológicas que estejam alinhadas à estratégia adotada
pela empresa; iii) implementação: cuida da execução das escolhas realizadas na fase
anterior); e iv) aprendizagem: o que foi observado como experiência e conhecimento a
serem agregados ao negócio. De Bes e Kotler (2011) apresentaram um outro modelo
denominado de modelo A-F, em que o processo inovativo é considerado um processo
descontínuo, isto é, há determinados procedimentos inovativos sob a responsabilidade de
determinados gestores, em que há a devida alocação de recursos, assim como prazos para
a efetivação adequada do processo inovativo. Terra (2012) sugeriu a adoção do modelo
das 10 dimensões da gestão da inovação, em que se observa uma visão sistêmica e
integrada, segundo a qual a firma internamente interage visando propiciar uma avaliação
das dimensões internas da organização que se comunicam para criar e reforçar um
ambiente propício ao estímulo à inovação. Stefanovitz e Nagano (2013) propuseram, por
sua vez, um modelo integrado de gestão da inovação, que se divide em três partes, a saber,
processos, contexto organizacional e recursos, tendo como suporte estrutural o modelo de
Tidd et al. (2008).

Waengertner (2018) apresentou como modelo a utilização do que ele denominou

como os seis princípios da inovação radical, em que trata de uma visão na qual a firma
tem uma atitude de eficiência na busca de oportunidades futuras, não se deixando levar
por movimentos de mercado que possam comprometer sua sustentabilidade. Com base
neste posicionamento, a firma adere aos seguintes princípios, visando à diferenciação.
São eles: i) estrutura organizacional da firma; ii) gestão; iii) clientes; iv) investidores; v)
negócio; e vi) parcerias. Alvarenga Neto (2018) sugeriu, por fim, o modelo de inovação
estratégica, em que adota quatro quesitos, sendo eles: i) estratégia empresarial; ii)
 76

execução das atividades inovativas; iii) ferramentas para execução da estratégia; e iv)
métricas, indicadores e resultados para a devida mensuração. No quadro 14 são
apresentados modelos de auditoria.

Quadro 13: Modelos de Auditoria Tecnológica.

Modelo Especificação Autor

Interativo. Inovação tecnológica, de Rothwell (1992).

Inovação avançada e de alto
desempenho.
Interações em cadeia.
Aparato organizacional.
A-F.
10 Dimensões.
Integrado de gestão.
6 Princípios.
Inovação estratégica.
Fonte: Adaptado pelo autor.
mercado e relacionais em
diversas áreas.
Atividade contínua de todos os Jonash e Sommerlatte (2001).
departamentos.
Interação entre o conhecimento Caraça, Ferreira & Mendonça
tecnológico e mercado. (2006).
Ênfase ao processo produtivo. Tidd et al. (2008).
Inovação sob a responsabilidade De Bes e Kotler (2011).
de gestores.
Avaliação das dimensões Terra (2012).
internas da organização.
Leva em conta os processos Stefanovitz e Nagano (2013).
contexto organizacional e
recursos.
Busca por oportunidades. Waengertner (2018).
Estratégia, execução e métricas Alvarenga Neto (2018).
de resultado.

Contudo os modelos de auditoria necessitam utilizar determinados mecanismos

para mensurar o processo inovativo, isto é, metodologias de desempenho. Tidd et al.
(2008) e Huget e Gandía (2016) observaram a necessidade de medir o quanto tal processo
afeta o desempenho da firma, de modo que se torna necessário haver determinados
instrumentos/métricas que sirvam para desempenhar tal mensuração e análise do
processo. Segundo Romao (2017), as auditorias empregam instrumentos que utilizam as
mais diversas metodologias, entre elas são citadas abaixo:

IMP³rove
O IMP3rove (IMProvement of Innovation Management Performance with
sustainable IMPact) é uma metodologia desenvolvida pela União Europeia, com o
objetivo de fornecer auxílio a pequenas e médias empresas (Europe Innova - 2017). Para
tal, segundo Engel, Diedrichs e Brunswicker (2008), foram vislumbradas determinadas
práticas que levem em conta a inovação. Para tal, cinco dimensões são avaliadas nesse
 77

processo: i) estratégia de inovação; ii) organização e cultura; iii) ciclo de vida da

inovação; iv) fatores de alavancagem; e v) resultados da inovação. Para que uma empresa
adote tal metodologia, faz-se necessário preencher um questionário de 30 a 75 questões a
serem avaliadas, utilizando a escala Likert, a qual, segundo Feijo et al. (2020), foi
desenvolvida por Rensis Likert em 1932, servindo como uma forma de existir diversas
respostas para uma única pergunta.

Innovation Scoring

O Innovation Scoring foi desenvolvido pela Associação Empresarial para a

Inovação – COTEC Portugal. Seu objetivo está em promover a competitividade das
firmas em Portugal, Espanha e Itália. Segundo Cardoso et al. (2009) e COTEC Portugal
(2017), sua função está em observar e determinar os pontos fortes das firmas em relação
ao processo inovativo, servindo, ainda, como subsídio para o desenvolvimento de
políticas nacionais. Seu desenvolvimento se dá através da análise de modelos, que se
subdivide em quatro condições, sendo elas: i) a observação do ambiente e da estratégia
do negócio, com vistas à inovação; ii) os diversos recursos físicos e humanos que a firma
possui para a inovação; iii) os processos de gerenciamento que vislumbram a gestão do
projeto inovativo; e iv) os resultados observados nas três etapas anteriores. Serve, ainda,
de destaque para a mensuração dos resultados esperados, sob as óticas financeira, de
mercado e da sociedade.

InnoCert

InnoCert (Innovation Certification for Enterprise Rating and Transformation) é

uma estrutura que tem como referencial o Manual de Oslo (2007) e a SME Corporation
Malaysia. Segundo Zainal-Abidin et al. (2016) e SME Corporation Malaysia (2017),
trata-se de um instrumento de medição que tem como objetivo o incentivo a empresários
que atuem no ramo de alta tecnologia, identificando aquelas que utilizam o padrão
inovativo, apresentado pelo respectivo manual, proporcionado, ainda, uma certificação
para a obtenção de ofertas creditícias. Segundo a SME Corporation Malaysia (2017),
nesta metodologia existem quatro critérios a serem abordados, sendo eles: i) capacidade
de inovação, em que se observam as atividades de P&D e a administração dos processos
voltados para a inovação; ii) capacidade de comercialização, que trata dos recursos que
são utilizados pelo processo inovativo para o desenvolvimento de bens e serviços; iii)
 78

capacidade de gestão, em que a gestão da empresa no tocante à inovação vai de encontro

às demandas de mercado e à geração de valor; e iv) os resultados da inovação para
verificar os ganhos auferidos pela firma no processo inovativo.

Radar de Inovação

Tal metodologia foi elaborada pela Kellogg School of Management, em função do

estudo elaborado por Sawhney, Wolcott e Arroniz (2006), em que se investigou um grupo
de empresas líderes de mercado, levando em conta os fatores que as empresas devem
visar para a aplicação do processo inovativo. Nesta metodologia, são quatro os fatores a
serem assinalados: i) oferta de bens e serviços a serem criados; ii) os usuários atendidos;
iii) processos utilizados; e iv) os mercados atendidos. Contudo Sawhey; Wolcott; Arroniz
(2006); Bachmann; Destefani (2008) e Chen; Sawhney; Neubaum (2013) e Romao (2017)
observaram que, além destes fatores, também, é sugerida a aplicação de mais doze testes
a serem feitos nas firmas, quando de um procedimento inovativo em curso. São eles: i) a
mensuração da oferta considerando a elaboração de novos produtos e serviços; ii) a
plataforma em que se apresentam os recursos a serem utilizados; iii) as soluções que
visam apresentar um resultado para cada firma; iv) a busca em atender às necessidades
dos clientes ou ainda suprir as oportunidades não atendidas; v) o relacionamento, com
vistas a manter um canal aberto de comunicação com os clientes ; vi) o valor auferido,
em que se procuram observar novas formas de arrecadar recursos através da inovação
proposta; vii) o reordenamento dos processos já existentes; viii) a organização, para
proporcionar uma mudança no foco da firma; ix) o oferecimento aos clientes de bens e
serviços de uma forma diferenciada; x) a apresentação de canais inovadores em que se
possam distribuir os itens demandados pelos clientes; xi) a utilização do networking da
firma; e xii) a apresentação da marca da firma visando apresentá-la em outros mercados.
A relevância desta técnica, segundo Andersen (2012) e Vammen; Ostervig Larsen e
Nielsen (2017), está na sua utilização como programa de gerenciamento de inovações em
países considerados de bom desempenho em inovações, no caso: Suécia, Dinamarca,
Finlândia, Noruega e Islândia. Cabe destacar que, no caso brasileiro, tal metodologia é
utilizada pelo Serviço de Apoio às Micros e Pequenas Empresas (SEBRAE) para as
empresas desse porte.
 79

Prêmio Nacional de Inovação

Realizado pela Confederação Nacional da Indústria (CNI) e pelo SEBRAE, seu

objetivo, segundo a CNI (2022), visa incentivar e premiar empresas do setor industrial
que apresentaram destaques inovativos na produção de bens e serviços produzidos, assim
como nos seus processos. Existem três categorias: i) ecossistemas de inovação, visando
aglutinar diferentes agentes que promovam a inter-relação entre eles, tendo como foco a
inovação; ii) gestão de inovação, em que empresas são premiadas ao criar um ambiente
favorável à inovação; e iii) inovação, em que se observam os resultados apresentados
pelas inovações e quantifica os seus efeitos. Cabe destacar esse último item, por se
subdividir em três categorias: i) inovação em produto: em que são observados os
resultados que a inovação proporcionou à empresa; ii) inovação em processos: são
analisados os processos inovadores na produção; e iii) inovação em sustentabilidade: que
visa ressaltar as inovações criadas para preservar o meio ambiente gerando benefícios
para a sociedade.
Quanto à métrica utilizada neste modelo, segundo a CNI (2022), algumas etapas
são observadas. Na primeira, ocorre uma autoavaliação, com a aplicação de quarenta
questões, em que a firma atenta para todas as práticas adotadas que digam respeito ao seu
projeto inovador. Neste item, são respondidas perguntas sobre liderança, cultura,
aprendizagem organizacional, estratégia da firma, estrutura, quadro de pessoal, recursos
financeiros, marketing e ambiente externo, todos estes voltados para a prática da inovação
no ambiente da firma. Na segunda etapa, são elaboradas vinte questões acerca dos
resultados observados, em relação a inovações, já implementadas nos últimos dois anos.
A terceira etapa consiste em os avaliadores efetuarem uma entrevista junto às empresas,
com o objetivo de observar a veracidade das informações prestadas, sendo que a firma
recebe, em função disso, um relatório em que serão apontados os pontos fortes e fracos
observados concernentes à inovação. Na quarta e última etapa, as firmas qualificadas
apresentam as devidas evidências que comprovem os questionamentos. Posteriormente,
as firmas aprovadas receberão in loco avaliadores para checagem das informações
fornecidas, e, num último momento, os dirigentes das entidades patrocinadoras elegerão
as vencedoras.
 80

Selo ANPEI
A Associação Nacional de Pesquisa e Desenvolvimento das Empresas Inovadoras
(ANPEI) representa segmentos de empresas e instituições inovadoras que atuam junto ao
governo e ao setor produtivo. O selo ANPEI, segundo Nirazawa; Gomes e Silveira (2013)
e ANPEI (2016a), tem como objetivo reconhecer e identificar as firmas que investem em
inovação e P&D. Segundo ANPEI (2016b), três são os fatores relevantes para as firmas.
O primeiro trata dos valores investidos em P&D, em comparação com o faturamento da
firma. O segundo fator leva em conta o percentual de profissionais (técnico, bacharel,
mestre e doutor) envolvidos nas atividades de P&D, em comparação com o total de
colaboradores da firma. O terceiro e último observa os resultados obtidos com a inovação,
sobre o faturamento dos últimos doze meses que foi realizado, via produtos lançados nos
três últimos anos. De acordo com Nirazawa; Gomes e Silveira (2013) e ANPEI (2016a),
as firmas são classificadas como inovadoras a partir de cinco critérios de inovação: i)
intenção de inovar (estratégia, visão, cultura e valores); ii) esforço para realizar a inovação
(recursos, processos e estrutura); iii) resultados obtidos (gerais específicos); iv) citações
(reconhecimento pelo mercado; e v) publicação de patentes (registro do conhecimento).
A métrica para essa determinação é estabelecida através da elaboração de um questionário
com duas partes. Na primeira, leva-se em conta a estrutura administrativa da firma; na
segunda, os cinco itens apresentados acima. Tais quesitos vão ao encontro ao que foi
apresentado por Rothwell (1989) e Tidd, Bessant e Pavitt (1997) ao determinarem o
conceito de firma inovadora. Há, ainda, questões quantitativas que correspondem a 60%
e questões qualitativas, correspondentes a 40%, sendo que o número de questões é
diferente para cada um dos cinco itens. Cabe destacar, também, entre os critérios
adotados, que a firma deve ter pelo menos 5% de participação privada no seu capital, bem
como receita líquida acima de R$ 500 milhões no Brasil nos seus dois últimos anos
fiscais.

Assim, observando as metodologias existentes para a devida mensuração, nota-se

que esses modelos podem vir a serem aplicados, porém não se considera que haja um
determinado modelo que seja considerado padrão pelas empresas, pois cada um deles
possui sua própria metodologia e peculiaridade. Tal aspecto está em concordância com o
que preconizaram Hallgren (2009) e Björkdahl e Holmén (2016) que observaram que,
embora existam várias metodologias, poucas delas são de fato testadas pelas empresas.
Um resumo das metodologias é apresentado no quadro 15.
 81

Quadro 14: Metodologias de Mensuração de Inovação

Modelos Autores
IMP³ROVE. Engel; Diedrichs; Brunwickwer (2008); Europe
Innova (2017).
Innovation Scoring. Cardoso et al. (2009) e COTEC PORTUGAL
(2017).
InnoCERT. Zainal-Abdin et al. (2016) e SME Corp Malaysia
(2017).
Radar da Inovação. Sawhey; Wolcott; Arroniz (2006); Bachmann;
Destefani (2008), Andersen (2012) e Chen;
Sawhney; Neubaum (2013) e Vammen et al.
(2017).
PNI - Prêmio Nacional de Inovação. CNI (2015) e CNI (2017).

Selo ANPEI. Anpei (2016a); Nirazawa; Gomes e Silveira 2013).

Fonte: adaptado Romao (2017).

2.4.6 Inovação e Desempenho financeiro

Diversos estudos foram elaborados com o objetivo de medir o desempenho
financeiro das empresas que adotaram processos inovadores. Porém não se observou um
consenso em torno dos resultados apurados, o que se deve, segundo Lazzarotti et al.
(2014), ao fato de o contexto socioeconômico de cada país, o período temporal analisado
e os indicadores de desempenho financeiro utilizados em cada estudo serem diferentes.
Porém, independentemente de não haver uma metodologia considerada única, diversos
estudos foram elaborados visando observar a relevância da inovação no desempenho
financeiro das empresas. Peteraf (1993) atestou que o desempenho financeiro é função de
como a empresa gera seus recursos internos, destacando a inovação como um deles. Neely
et al. (1995) afirmaram que este é o requisito básico para se ter e manter um desempenho
consistente. Para Hu (2003), a inovação, de fato, tem o seu efeito quando consegue
proporcionar lucro para a empresa e também para a sociedade. Cho e Puick (2005)
identificaram, assim, uma correlação positiva entre inovação e crescimento junto a
empresas norte-americanas. Bessant e Tidd (2007) e Brito et al. (2009) apontaram que
inovação e crescimento econômico estão relacionados. Faems et al. (2010) estão de
acordo com a questão de que a tecnologia consegue proporcionar um melhor desempenho
financeiro dada a inovação gerada. Logo diversos autores veem a inovação como um
modo de se obter uma maior vantagem competitiva e sua sustentabilidade (TIDD;
BESSANT; PAVITT, 2008; BRITO; BRITO; MORGANTI, 2009; SILVEIRA;
OLIVEIRA, 2013).
 82

Todavia, ao se observar a relação entre a inovação e o desempenho financeiro,

diversos autores identificaram essa relação e sua relevância A mensuração do efeito da
inovação no desempenho das empresas foi apresentada por Furtado, Quadros e
Domingues (2007), que salientaram que os investimentos em P&D servem como alicerce
para a produção de novos conhecimentos no quesito tecnologia. Tadeu e Salum (2012)
consideram que, tão relevante quanto os investimentos que proporcionem a inovação, é a
devida mensuração dos seus resultados. Sanches e Machado (2014) observaram o efeito
significativo da inovação no desempenho financeiro da empresa, o que possibilita a ela
ter uma vantagem comparativa em relação aos seus concorrentes. Dos Santos (2016)
pontuou que os processos de criação de inovações passam por investimentos em P&D e
que esse pode vir a servir como métrica para sua devida mensuração. Para a devida
mensuração, Silva et al. (2015) utilizaram os indicadores margem líquida, EBITDA e
Retorno sobre o Patrimônio Líquido para demonstrar o desempenho econômico-
financeiro das empresas pesquisadas no setor de telefonia. Bouaziz (2016) observou a
relação entre despesas de P&D e o desempenho, no caso, Q de Tobin, ROE e ROA.
Machado et al. (2016), por sua vez, elegeram os indicadores ROI, ROA e ROE e margem
líquida. Carmona e Zonatto (2017) estudaram a relação entre a inovação e o desempenho
empresarial de firmas brasileiras de capital aberto listadas na BM&F Bovespa, utilizando-
se da receita e do EBITDA; Usman et al. (2017) analisaram a influência do investimento
em P&D sobre o desempenho e o valor de mercado das empresas, no período de 2004–
2016 do G-7, fazendo uso dos indicadores, fluxo de caixa e ROA. Gomes (2019)
investigou a influência da inovação no desempenho econômico-financeiro de empresas
brasileiras de capital aberto, listadas na B3. Leo e Gamarra (2019) utilizaram a variação
de vendas e lucro, no setor de serviços.

Em relação aos estudos internacionais, Klomp e Van Leeuwen (2001) utilizaram

dados da CIS-2 (Community Innovation Survey – 2, Pesquisa de Inovação da
Comunidade, 2ª versão) e concluíram que empresas consideradas inovadoras demonstram
melhor desempenho ao se observar o aumento nas vendas e no nível de emprego ao
comparar com as empresas consideradas não inovadoras. Nybakk e Jenssen (2012)
observaram efeitos relevantes em relação a estratégias de inovação e o desempenho
financeiro das empresas madeireiras na Noruega. Lee et al. (2017) verificaram o mesmo
efeito em empresas coreanas, e também Rajapathirana e Hui (2018), em empresas
seguradoras do Sri Lanka. Horn e Hasselstrand (2020) analisaram a relação entre
 83

inovação e desempenho financeiro em 66 empresas manufatureiras suecas, observando

que não encontraram, por sua vez, uma correlação positiva entre inovação e desempenho
financeiro. Chouaibi (2020) ponderou que, numa amostra de 95 empresas do ramo
industrial na Tunísia, o desempenho financeiro é afetado pelas atividades de inovação.
Akinwale (2020) pesquisou as micros, pequenas e médias empresas no setor de
alimentação e bebida na Arábia Saudita e também a relevância dos processos inovativos
para o desempenho dessas empresas, apresentando uma relação positiva entre elas. Desse
modo, uma firma que começa a adotar sistematicamente práticas inovadoras acaba por se
tornar o que se denomina firma inovadora, o que passa a ser uma significativa distinção
frente às firmas não inovadoras.

2.5 Contexto Macroeconômico

2.5.1 Ciclos Econômicos
O comportamento econômico de um país é um dos fatores relevantes para a
elaboração das análises de desempenho financeiro das empresas, uma vez que essas
sofrem diretamente influência da conjuntura econômica de onde estão localizados.
Contudo, devido ao fato de a economia ter um comportamento dinâmico, sofrendo
oscilações, de tempos em tempos, seja tanto de expansão quanto de recessão econômica,
observou-se o desenvolvimento de estudos que visem analisar tais variações, aos quais se
denominou “ciclos de negócios”, “ciclos econômicos” ou business cycles. Inicialmente,
essa teoria foi apresentada por Mitchell (1927), em que a renda e fatores não monetários,
como, por exemplo, produtividade e trabalho, causavam tais flutuações na economia, o
que impactava diretamente a questão do desempenho das empresas. O autor ainda
supunha que tal influência era diferente dado o setor em que a empresa atua.
Posteriormente, Schumpeter (1939) abordou esse mesmo assunto, assinalando que
existem determinados fatores internos e externos à economia que proporcionaram ciclos
econômicos. No primeiro caso, têm-se a diferenciação de produtos, gostos ou
preferências, novas matérias-primas entre outros; e, no caso externo, a existência de novos
mercados, condições climáticas, novas fontes minerais etc. Já Burns e Mitchell (1946)
apresentaram a prerrogativa de que os ciclos ocorrem em função da busca pelo lucro, de
modo que os países e as empresas se planejaram com vistas a esse objetivo. Os autores,
ainda, apontaram a questão relacionada ao período temporal dos ciclos; segundo eles, isso
passou a ser relevante, pois, com o advento da teoria keynesiana, essa determinava que
os choques de oferta e demanda eram os principais causadores das flutuações, sendo
 84

assim amplamente aceito pela academia. Kydland e Prescott (1982) e Long e Plosser
(1983) observaram que as variações (choques) na demanda e oferta, via preços, são
relevantes para a propagação de ciclos, pois leva à aquisição ou não de bens, de modo
que as empresas ajustam sua produção. Por sua vez, tanto Long e Ploser (1983) e Mankiw
(1989) observaram que a relevância das mudanças tecnológicas ao influenciar o
desempenho macroeconômico, pois choques de oferta e de produtividade advindo de
inovações são relevantes para a determinação do comportamento econômico do país.
Zarnowitz (1991) apontou que, nos países mais desenvolvidos, os ciclos variam em
duração e amplitude. Chauvet (2002) considerou relevante a identificação destes ciclos
uma vez que tais variações afetam a tomada de decisão das empresas e do governo. Para
Knopp (2010), tanto o crescimento quanto a recessão ocorrem da seguinte maneira: no
primeiro caso, há crescimento num período de dois ou mais trimestres, consecutivos do
Produto Interno Bruto (PIB); no segundo caso, o efeito é o contrário, dois ou mais
trimestres com queda no PIB.
Por sua vez, o estudo de Alvarez et al. (2010), utilizando a base de dados da
National Survey of Technological Innovation, detectou que as crises na economia geram
diversos efeitos, de ordem, organizacional, assim como trazem melhoria de processos e
desenvolvimento de novos produtos e processos. Neste contexto, Filippetti e Archibugi
(2011) apontaram que as empresas reagem de maneiras diferentes em relação a
investimentos em inovação durante uma crise econômica. Cabe o destaque que
determinadas características também devem ser levadas em consideração, como, por
exemplo, o nível de tecnologia a ser adotado e a solidez do sistema financeiro. Tal aspecto
corrobora o estudo de Paunov (2012) que observou que os investimentos em inovação
caem de forma significativa durante épocas de crises econômica, sendo que o mesmo
acontece na América Latina. Porém há a devida ênfase para as empresas que contam com
acesso a verbas governamentais, e, neste caso, ocorreu uma menor redução nos seus
investimentos, ao passo que as empresas mais novas tendem a abandonar seus projetos de
inovação com maior facilidade. Archibugi et al.(2013) utilizaram dados de 2.500 empresas
no Reino Unido, no período de 2004 a 2008, e observaram que novas empresas e também
empresas altamente inovadoras antes da crise vieram a investir mais em inovação do que
no decorrer desta. No entanto Kothari, Lewellen e Warner (2014), ao examinarem os
movimentos tanto de aceleração quanto da desaceleração da economia, consideraram
importante a questão da expectativa dos agentes econômicos, uma vez que, nos períodos
de crescimento econômico, a conjuntura leva a patamares superiores de emprego e
 85

investimento. Já no período de desaceleração, é observada uma desconfiança por parte

dos agentes, em relação aos lucros esperados, haja vista as decisões anteriores, que afetam
o negócio no momento presente, ocasionado, assim, variações na produção.
Especificamente no caso brasileiro, segundo FGV/IBRE (2020), tais variações são
medidas pelo Comitê de Datação de Ciclos Econômicos (CODACE) da Fundação Getúlio
Vargas (FGV/RJ), que objetiva determinar a duração dos ciclos econômicos. Tal feito
permite observar o comportamento da economia, de modo a direcionar da melhor forma
possível a alocação de recursos por parte dos agentes econômicos. Considerando as
variáveis macroeconômicas, com vistas ao comportamento da economia do país, o PIB é
considerado a principal variável para identificar os períodos de expansão e recessão da
economia.
Assim, em função das diversas crises econômicas ocorridas nos últimos, o estudo
de ciclos econômicos, segundo Bertomeu, Magee (2011) e Gastón e Jarne (2011),
tornaram-se mais relevantes. Contudo, os autores observaram que ainda há poucos
estudos que abordam a relação entre os dados contábeis, que sirvam para a análise de
desempenho financeiro das empresas com vistas a flutuações econômicas. Tal fato foi
igualmente analisado por Bezemer (2010), segundo o qual a utilização de dados contábeis
das empresas pode ser relevante para análises econômicas de previsão, observando que
esses são fundamentais, já que podem servir de referência para a previsão de crises
futuras.

2.5.2 Ambiente Macroeconômico e Desempenho Financeiro

É plausível afirmar como base no que já foi exposto, que a relação entre o
ambiente macroeconômico e os indicadores financeiros das empresas pode ser
considerada um quesito relevante na gestão financeira destas, dada a sua relação. Guidini
(2007); Santos et al. (2008) e Campos, Nakamura (2015) verificaram que tais
informações macroeconômicas devem ser levadas em conta na análise financeira, pois
podem indicar impactos presentes e futuros, em relação ao comportamento das variáveis
financeiras de desempenho. Para Bjørnland, Leitemo (2009), a existência de uma relação
entre as variáveis macroeconômicas e o desempenho empresarial pode ser registrada com
uma maior ou menor intensidade, dependendo da variável analisada e de suas interações
no desempenho das empresas. Matias (2009) citou que as variáveis macroeconômicas,
por refletir o ambiente externo, devem ser consideradas, uma vez que os setores
analisados são afetados de modo distintos por essas. Tal fato, também, é destacado por
 86

Bruneau et al. (2012), pois, no que concerne à análise dos dados, devem-se observar o
ambiente macroeconômico, para se ter um melhor entendimento dos indicadores, e as
possíveis tendências do mercado. Para Enqvist, Graham e Nikkinen (2014), a importância
da administração do capital de giro na rentabilidade de empresas, no caso, finlandesas,
leva à existência de uma influência entre as variáveis macroeconômicas e o capital de
giro/rentabilidade. Frösén, Jaakkola, Churakova e Tikkanen (2016) atestaram que
variações no desempenho da economia afetam o desempenho das empresas, quando há
uma relação de longo prazo com seus clientes. E para Dewi et al. (2019), observou-se que
os resultados das empresas, representados nos seus indicadores financeiros, podem sofrer
influência do comportamento econômico nos ambientes em que estão inseridos. Ainda,
Branten, Purju (2014); Fareed, Arsalan, Ayubi (2017) e Dewi, Soei, Surjoko (2019)
utilizaram indicadores macro e microeconômicos com o intuito de analisar o
comportamento dos indicadores de liquidez, estrutura de capital e rentabilidade. Tais
pesquisas podem, ainda, validar a influência das variáveis macroeconômicas no
desempenho das empresas de capital aberto brasileiras, levando em conta o desempenho
apresentado pela empresa.
Quanto à mensuração da oscilação dos ciclos econômicos, nota-se que Guidini et
al. (2007) e Bruneau, Bandt, Amri (2012) se utilizaram das variáveis Produto Interno
Bruto (PIB), taxa de juros, de câmbio e de emprego, sendo, nas suas concepções, variáveis
relevantes em relação ao desempenho financeiro das empresas. Coelho (2012) investigou
como variações na taxa de câmbio, PIB, inflação e taxa de juros impactam a liquidez
corrente das empresas listadas na B3, exceto as instituições financeiras e seguradoras, no
período de 2003 a 2011. Pandini et al. (2018) centraram sua investigação quanto à
influência do ambiente macroeconômico no Setor de Consumo da B3, no período de 2013
a 2016, sendo analisadas 64 empresas do Consumo Cíclico e Não Cíclico.

2.5.3 Indicadores Macroeconômicos

Em relação aos indicadores macroeconômicos, destaca-se que os mais utilizados
são os discriminados a seguir.

2.5.3.1 Produto Interno Bruto (PIB)

Para Vasconcellos e Garcia (1998), o PIB trata da soma dos bens e serviços finais
produzidos no território nacional, independentemente se os fatores de produção são
nacionais ou estrangeiros, retratando, assim, o desempenho econômico do país. Quanto
ao comportamento do PIB, foi observada por Oliveira (2006) a existência de uma relação
 87

relevante entre o mercado acionário, por conseguinte o desempenho financeiro, e o PIB,

tendo em vista que o aumento do consumo das famílias, um dos componentes do PIB,
acarreta um crescimento da atividade econômica, refletindo, portanto, na rentabilidade
das ações negociadas na bolsa. Para Silva, Menezes e Fernandes (2011), o mercado
financeiro guarda uma correlação com o desempenho macroeconômico do país, ao medir
a atividade produtiva interna. Tal fato foi verificado a partir dos anos 90, com a adoção
do Plano Real e de outras medidas tomadas que repercutiram positivamente na economia,
havendo, portanto, condições mais propícias para o investimento privado, devido à
observância satisfatória do comportamento das variáveis macroeconômicas. Assim o
nível de atividade na economia contribui de forma relevante para um melhor desempenho
das empresas, resultando na valorização ou desvalorização do preço das suas ações e,
consequentemente, passa a ser captado pelo mercado (BERNADELLI, BERNARDELLI
E CASTRO (2016).

2.5.3.2 Taxa de Juros SELIC (Sistema Especial de Liquidação e Custódia)

Neste quesito, inicialmente, torna-se necessário distinguir dois conceitos que são:
juros e taxa de juros. Para Brito (2003), o primeiro diz respeito à diferença entre o capital
final recebido (montante) e o valor inicial cedido ou investido (principal ou capital
inicial). Quanto ao segundo, expressa de maneira percentual e corresponde ao resultado
obtido da divisão dos juros pelo principal. Ainda, em termos de definição, a taxa de juros
na economia é determinada, segundo Krugman (2014), através da demanda e oferta de
moeda dos bancos, sendo que tais movimentos são influenciados pelas decisões do Banco
Central e acabam repercutindo diretamente nos movimentos do mercado financeiro,
incluindo o mercado acionário.

Quanto aos estudos que contemplam taxa de juros e mercado acionário, com vistas
ao desempenho financeiro. Gesk e Roll (1983) observaram uma relação inversa entre o
aumento na taxa de juros e o comportamento das bolsas de valores; dessa maneira, um
aumento na taxa de juros leva a uma queda no preço dos ativos, independentemente do
desempenho das empresas. Lastrapes (1998) verificou também uma relação direta entre
a taxa de juros e o valor dos ativos ao analisar este movimento em sete países. Oliveira
(2006) destacou que alterações na taxa de juros levam a modificações no mercado
acionário, tendo em vista as questões financeiras das empresas negociadas na bolsa em
relação à questão do endividamento na obtenção de recursos para investimentos entre
outros. Uma diminuição na taxa de juros leva, pois, os investidores a migrarem para o
 88

mercado acionário com intuito de obter um maior retorno, havendo, assim, um reflexo no
desempenho das empresas. No Brasil, tal questão já foi estudada em diferentes trabalhos,
como nos de Oliveira e Frascaroli (2014), Bernardelli et al. (2016) e Santana, Lima e
Ferreira (2018), em contraponto aos trabalhos de Chen (2009) e Machado et al. (2018),
que observaram a existência de uma relação negativa da taxa Selic com o mercado
acionário.

2.5.3.3 Índice de Preços ao Consumidor Amplo (IPCA)

De acordo com o BACEN (2015), o IPCA representa a inflação oficial do país,
pois mede as variações médias de preços quando da venda dos produtos. A taxa de
inflação, portanto, mostra o percentual de variação no nível geral de preços que varia ao
longo do tempo (MANKIW, 2005). De acordo com Nunes (2005), a relação negativa
entre inflação e os preços dos ativos é unânime, isto é, todos os autores analisados por ele
estão de acordo com essa relação. Em seu trabalho, o autor citou vários estudos pautados
nesta análise, destacando que períodos de inflação muito elevada devem ser descartados.
Oliveira (2006), também, assinalou que os valores dos ativos possuem relação inversa em
relação às taxas de inflação devido ao fato de que o investidor observa apenas o ganho
real obtido ao fazer o investimento.
 89

3 GESTÃO DA FIRMA E VARIÁVEIS DE DESEMPENHO FINANCEIRO

3.1 Eficiência Operacional

O conceito de eficiência operacional basicamente busca alcançar a maximização

dos recursos, na sua utilização no processo produtivo, em prol de uma maior
produtividade para a empresa. Esse conceito pode ser entendido como a alocação eficiente
de recursos no processo produtivo, visando a uma maior eficiência, bem como a
maximização dos resultados.
Daraio e Simar (2007) observaram a eficiência como um modo satisfatório de se
analisar a quantidade de recursos utilizados, na produção, a sua qualidade e o resultado
final de produção, que, por sua vez, resulta na produtividade. De acordo com Patah e
Carvalho (2009), trata-se de execução de processos operacionais intencionando a busca
por resultados que estejam acima dos seus concorrentes, daí a necessidade de se alcançar
a eficiência sob diversos aspectos inerentes à empresa. A mesma visão é corroborada por
Sobral e Peci (2010) por entender a eficiência operacional, simplesmente, como uma
forma de as empresas minimizarem a utilização de recursos em prol de alcançar seus
objetivos, sendo uma forma da empresa em consumir seus recursos de forma minimizada
e mesmo assim alcançar seus objetivos. Para os autores, tal conceito ainda implica uma
forma de gerar um aumento na produtividade, o que leva a um maior dinamismo na
própria empresa, de modo a torná-la mais competitiva. E, para Costa e Boente (2011), a
eficiência trata de se produzir em sua capacidade máxima com o mínimo de recursos, o
que toda empresa tem como objetivo, visando também à questão ambiental.

Dados os conceitos apresentados, deve-se sublinhar a observação exposta por

Megginson et al. (1998), que apresentaram a diferença conceitual entre eficiência e
eficácia. Eficiência abarca a maximização na utilização dos recursos da empresa,
enquanto a eficácia se trata de alcançar os resultados planejados.

Quanto aos estudos na área, destaca-se o trabalho de Bertucci (2005), no qual se

mensura o nível de percepção dos gestores em relação ao ambiente organizacional. A
eficiência operacional foi avaliada por meio de itens relacionados a condições técnicas
como prazo médio de entrega, retrabalhos, taxas de defeitos, entre outras especificações,
no caso, o ambiente. Assim como o desempenho financeiro, de mercado entre outros
 90

elementos. A amostra foi de empresas industriais de médio porte e hospitais da rede

privada, em Belo Horizonte. Foram utilizados questionários, sendo o tratamento de dados,
via estatística multivariada. O autor conclui que de fato ocorre uma causalidade entre
capacidade de percepção ambiental e o uso de estratégias prospectivas com a variável
efetividade organizacional.

Magolbo (2017) apresentou uma análise entre a relação do possível impacto que
a eficiência operacional tem sobre a rentabilidade de uma empresa, via ROA, ROE e
margem de lucro operacional. A amostra foi composta de 40 empresas, do setor de
consumo, listadas na BMF&BOVESPA, no período de 2016. A metodologia utilizada foi
o método de correlação linear. Conclui-se que há uma fraca correlação na análise, não
sendo possível determinar relação de causa e efeito entre eficiência operacional e índices
de rentabilidade com a amostragem utilizada.
Oliveira et al. (2018) analisaram a eficiência operacional entre companhias
pertencentes e não pertencentes à carteira teórica do Índice de Sustentabilidade
Empresarial (ISE) da BM&FBOVESPA. A amostra é composta de 159 companhias,
sendo 57 pertencentes e 102 não pertencentes à carteira, no período de 2005 a 2014.
Quanto ao desempenho financeiro, foram levados em conta os scores encontrados pelo
lucro operacional (output) das companhias analisadas e a relação com o ativo circulante,
o ativo imobilizado e o custo dos produtos vendidos (inputs). Utilizaram-se a abordagem
DEA (data envelopment analysis) e a análise envoltória de dados pelo método BCC,
também denominado retorno variável de escala (VRS - variable returns to scale). Os
autores concluíram que as companhias da carteira ISE apresentam eficiência operacional
inferior às demais companhias, à medida que não alcançaram eficiência operacional,
sendo que o fato de apresentar uma conduta sustentável não significa melhor eficiência
operacional.
Duarte e Souza Ribeiro (2018) investigaram o comportamento dos indicadores
operacionais sobre o valor das empresas no mercado de capital aberto brasileiro. A
amostra foi composta de empresas não financeiras, entre 2010 e 2017, listadas na
BMF&BOVESPA. A metodologia consistiu na utilização de regressões lineares
múltiplas, com o intuito de se comprovar o efeito de influência entre as variáveis. Entre
os resultados observados, foi possível determinar uma correlação entre as variáveis de
valor das empresas e as variáveis de eficiência operacional, com destaque para as
variáveis ROI, EBITDA e MB.
 91

Quadro 15: Estudos sobre Eficiência Operacional

Autores Estudos Metodologia Resultado Observado

Bertucci (2005) Mensuração do nível de Questionários e Ocorre causalidade
percepção dos gestores estatística multivariada. entre capacidade de
em relação ao ambiente percepção ambiental e o
organizacional uso de estratégias
prospectivas
Magolbo (2017) Relaciona o possível Método de correlação F raca correlação na
impacto que a linear análise
eficiência operacional
tem sobre a
rentabilidade de uma
empresa
Oliveira et al. (2018) Analisou a eficiência Utilização do DEA, a As companhias da
operacional entre análise envoltória de carteira ISE apresentam
companhias dados pelo método eficiência operacional
pertencentes e não BCC. inferior às demais
pertencentes à carteira companhias
teórica do Índice de
Sustentabilidade
Empresarial (ISE) da
BM&FBOVESPA
Duarte e Souza Ribeiro O comportamento dos Regressões lineares Correlação entre as
(2018) indicadores múltiplas variáveis de valor das
operacionais sobre o empresas e as variáveis
valor das empresas no de eficiência
mercado de capital operacional,
aberto brasileiro
Fonte: Elaborado pelo autor.

3.2 Índices de Liquidez

Em se tratando do emprego de índices de liquidez, com vistas à mensuração do
desempenho financeiro, Machado (2020) utilizou informes econômicos, índices do
mercado acionário e dados extraídos das demonstrações financeiras com o objetivo de
escolher determinadas companhias que apresentem potencial de crescimento e baixos
preços. Para Souza (2015), a relevância das demonstrações financeiras está no
comportamento econômico e financeiro das organizações, sendo que diversos índices são
calculados de modo a apresentar seu desempenho financeiro num dado período de tempo.
Contudo cabe o destaque apontado por Muller e Antonik (2016), os quais observam como
um empecilho nesta análise a confiabilidade dos dados que dão suporte às demonstrações,
uma vez que poucas empresas são auditadas por auditorias externas, excetuando as de
capital aberto que se veem obrigadas a isso. Para Kitzberger; Padoveze (2004), os índices
são quocientes que relacionam as contas, ou grupo de contas, das demonstrações
financeiras que permitem comparar as informações financeiras de uma empresa com
outra, com destaque para Ross et al. (2013) que verificaram que maiores divergências
apresentadas entre os portes destas são eliminadas neste processo.
 92

No caso, a utilização de índices de liquidez passa a ter um aspecto relevante para

analisar o desempenho financeiro da empresa, já que este sinaliza se a empresa possui
uma quantidade suficiente de recursos para honrar seus compromissos financeiros, sendo,
assim, considerado um tema recorrente para a tomada de decisão, por parte dos
investidores em relação às empresas, e abordado em diversos artigos técnicos. Campos et
al. (2018) apontaram a liquidez como um conceito que visa relacionar a solvência de uma
empresa, isto é, a capacidade financeira desta em cumprir suas futuras obrigações. São,
portanto, utilizados indicadores de liquidez que permitem verificar o grau de solvência da
empresa, de modo a identificar o risco de não insolvência. Contudo a ideia de que estes
índices são suficientes apresenta suas limitações, uma vez que tal análise pode ser feita,
meramente, através da divisão de ativos e passivos para a comparação.
A existência dos índices de liquidez apresenta duas óticas temporais que visam
indicar o nível em que os passivos da companhia são cobertos por seus ativos: curto prazo
(circulante) e longo prazo (não circulante). Tais prazos são determinados de acordo com
o pronunciamento técnico n.º 26 (R1) do Conselho de Pronunciamentos Contábeis (CPC)
de (2013) da seguinte forma: são classificados como circulante os ativos e os passivos
que, respectivamente, serão realizados e liquidados em até doze meses após a data da
divulgação do balanço patrimonial. Já os ativos e os passivos que não atenderem a tal
critério serão classificados como não circulantes. Para Diniz (2015), a análise de liquidez
das empresas sinaliza que, quando se apresenta um índice de liquidez consistente, isso
não significa dizer que a empresa está com recursos em caixa, mas sim que existe a
possibilidade de transformar mais rapidamente seus recursos financeiros em dinheiro.
Para o autor, este índice mostra a capacidade que a empresa possui de gerar recursos para
pagar suas obrigações, destacando que, uma vez que ela tenha um índice elevado, isso
pode vir a representar que ela não está se planejando, devidamente, para o longo prazo.
O autor ainda pontuou que o grupo do ativo não circulante se divide em quatro, a saber,
realizável em longo prazo, investimentos, imobilizado e intangível, sendo os ativos
imobilizado e intangível, bens corpóreos e incorpóreos, respectivamente visando à
manutenção das operações da empresa. Assim os índices de liquidez representam os
resultados da divisão entre ativos e passivos com vistas a observar a situação financeira
da empresa em relação a sua capacidade de pagamento, verificando a sua solidez. Garp
(2015), por sua vez, observou que a questão da liquidez é um problema de curto prazo,
pois é ocasionado por passivos inesperados de curto prazo e financiamentos de longo
prazo, que podem gerar efeitos adversos para a empresa, daí a existência de um risco de
 93

liquidez decorrente da variabilidade dos ativos e passivos de curto prazo e também dos
componentes de curto prazo dos ativos e passivos de longo prazo.
Entre os diferentes tipos de índices de liquidez, destacam-se aqueles que são
apresentados na sequência. Sendo eles os índices de liquidez: geral, corrente, seca e
imediata.
3.2.1 Índice de Liquidez Geral
Para Iudícibus (2013), esse índice representa a saúde financeira da empresa no
longo prazo, de modo que, sendo este maior que 1,00, sinaliza uma folga nos pagamentos,
e, caso contrário, observa-se a possibilidade de a empresa apresentar problemas no
pagamento das dívidas de curto e longo prazo.

𝒂𝒕𝒊𝒗𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆+𝒓𝒆𝒂𝒍𝒊𝒛á𝒗𝒆𝒍 𝒂 𝒍𝒐𝒏𝒈𝒐 𝒑𝒓𝒂𝒛𝒐

Liquidez Geral =
𝒑𝒂𝒔𝒔𝒊𝒗𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆+𝒑𝒂𝒔𝒔𝒊𝒗𝒐 𝒏ã𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆

3.2.2 Índice de Liquidez Corrente

Segundo Assaf Neto (2015), tal índice apresenta o valor existente no ativo para
cada real de dívida a curto prazo, observando que, quanto maior for esse índice, maior
será a capacidade de gerar capital de giro. Assim, caso o índice seja menor que 1,00, a
probabilidade de as empresas apresentarem problemas para pagamentos de curto prazo
será elevada. Porém, Rezende et al. (2010) destacaram que este índice é o mais relevante
entre todos, pois é o mais utilizado para observar a situação da empresa, servindo como
medidor da saúde financeira da empresa. Sublinha-se que se deve levar em conta o tipo
de atividade da empresa, assim como seu ciclo operacional, seus prazos de rotação de
estoque, recebimentos das vendas e pagamento das compras para sua melhor análise.

𝒂𝒕𝒊𝒗𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆
Liquidez Corrente =
𝒑𝒂𝒔𝒔𝒊𝒗𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆

3.2.3 Índice de Liquidez Seca

Para Assaf Neto (2015), este índice apresenta o valor das dívidas de curto prazo
que podem ser pagas com os itens monetários de maior liquidez do ativo circulante. Este
índice poderá vir a ser equivalente ao de liquidez corrente, observando que, no cálculo,
elimina-se o ativo circulante uma vez que pode apresentar um saldo inflado, isto é, perdeu
a capacidade de gerar benefícios futuros à entidade.
 94

𝒂𝒕𝒊𝒗𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆−𝒆𝒔𝒕𝒐𝒒𝒖𝒆𝒔
Liquidez Seca =
𝒑𝒂𝒔𝒔𝒊𝒗𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆

3.2.4 Índice de Liquidez Imediata

Guimarães e Ozório (2018) consideram esse índice o mais conservador deles, pois
vem a comparar somente os ativos realizáveis de imediato (disponibilidades) com os
passivos liquidáveis de curto prazo (passivo circulante).

(𝒄𝒂𝒊𝒙𝒂+𝒃𝒂𝒏𝒄𝒐+𝒂𝒑𝒍𝒊𝒄𝒂çõ𝒆𝒔 𝒇𝒊𝒏𝒂𝒏𝒄𝒆𝒊𝒓𝒂𝒔 𝒅𝒆 𝒄𝒖𝒓𝒕𝒐 𝒑𝒓𝒂𝒛𝒐)

Liquidez Imediata =
𝒑𝒂𝒔𝒔𝒊𝒗𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆

3.2.5 Estudos Anteriores

Inicialmente, Lima e Lima (2013) ressaltaram que as análises das demonstrações
financeiras servem de subsídios para a melhor gestão do negócio, pois são importantes
para a adoção de medidas para melhor gestão da empresa. Uma vez que tais informações
são relevantes, torna-se possível mensurar índices que sirvam para analisar o desempenho
da empresa. Isso permite o desenvolvimento de estudo como o de Costa; Inhuma;
Carvalho; Sousa (2018), que analisaram a empresa Gerdau, no período de 2014 a 2017,
proporcionando identificar o seu desempenho em relação a sua liquidez e a sua
capacidade de pagamento verificaram que tanto o endividamento quanto a imobilização
não comprometem a estrutura da empresa e nem a continuidade das operações. Cabe o
destaque dado por Akhtar (2017), que observou a importância de existirem outros tipos
de risco, além da liquidez, a serem levados em consideração, como, por exemplo, taxa de
juros, risco de crédito entre outros, que podem de fato afetar o desempenho financeiro das
empresas. Com o mesmo objetivo, Soares, Faria e Oliveira (2019) calcularam os
principais índices de liquidez das empresas listadas na B3, por setor, para servir de
parâmetro às demonstrações contábeis de firmas nacionais, no período de janeiro de 2013
a marços de 2016, através de planilhas de Excel. Para tal, elaboraram uma faixa de
aceitação de índice que sirva de modelo para empresas de pequeno e médio porte, sendo
que a literatura adota o índice 1 (um) como referência. Os autores concluíram os seguintes
valores a serem observados pelas empresas: índice de liquidez geral intervalado entre
0,2717 a 1,3552; para a liquidez corrente, um intervalo entre 0,4184 a 2,3285; e, por
último, obtendo o valor máximo, índice de liquidez seca, intervalo entre 0,3433 a 1,9803.
 95

Santos (2019) analisou os índices de liquidez e índices de atividade de empresas do

subsetor de embalagens, madeira e papel, materiais diversos, mineração, químicos e
siderúrgicas e metalúrgicas entre outros subsetores, de empresas listadas na B3 entre 2015
e 2017. Para apurar as devidas médias, foi utilizada uma planilha para cada segmento com
os dados a serem utilizados, e constatou-se que, ao analisar os índices de liquidez e índices
de atividade destas empresas, no setor de madeira e embalagens, tais índices se
apresentaram satisfatoriamente. Em relação à liquidez corrente, os segmentos de artefatos
de cobre e materiais diversos obtiveram melhores resultados. E quanto à liquidez seca,
tanto o setor de artefatos de cobres quanto de madeira apresentaram resultados
satisfatórios. Oliveira (2019) examinou se a adesão à B3 através do Bovespa Mais, assim
como a adoção também das práticas de GC, foi positiva para o desempenho financeiro,
em uma amostra de nove empresas listadas. Para isso, utilizou estatísticas descritivas para
observar os resultados dos índices financeiros, e foram calculados seis índices contábeis
das empresas componentes da amostra, a saber, Liquidez Corrente, Liquidez Geral,
Participação de Dívidas de Curto Prazo, Participações de Capitais de Terceiros, Margem
Lajida e ROE, no período de 2015 a 2017. Os autores concluíram que, para as empresas
analisadas, a liquidez das empresas diminuiu, o grau de endividamento de curto prazo
aumentou, assim como a participação de capitais de terceiros diminuiu de forma módica,
a Lajida apresentou um pequeno aumento, e o ROE diminui. Jacques et al. (2020)
buscaram determinar relações entre o ambiente macroeconômico e os indicadores
econômico-financeiros dos segmentos empresariais listados no Brasil, Bolsa e Balcão
(B3), no período de 2010 a 2016. Os autores empregaram, no primeiro caso, os índices
de Liquidez, Rentabilidade e Estrutura de Capital e, por sua vez, como variáveis
macroeconômicas: Inflação, Câmbio, Emprego, Taxa de Juros e Produto Interno Bruto
(PIB). Foi adotada uma matriz de correlação quadrada, visando relacionar diversas
variáveis entre si, e concluiu-se que tanto o câmbio quanto o PIB possuem maior relação
com os indicadores econômico-financeiros dos segmentos empresariais e posteriormente
com juros, emprego e inflação, deixando determinado o fato da existência desta relação.

Quadro 16: Estudos sobre Liquidez

Autores Estudos Metodologia Resultado Observado

Soares, Faria e Oliveira Índices de Liquidez das Microsoft Excel. Elaboraram uma faixa
(2019). empresas listadas na de aceitação de índice
B3, por setor por faixa que sirva de modelo
para empresas de
pequeno e médio porte.
 96

Santos (2019). Analisou os índices de Microsoft Excel. Diferença observada

Liquidez e índices de nos índices de Liquidez
atividade de empresas para cada setor.
do subsetor de
embalagens, madeira e
papel, materiais
diversos, mineração,
químicos e siderúrgicas
e metalúrgicas entre
outros subsetores.
Oliveira (2019). Observou se a adesão à Estatística Descritiva. A Liquidez das
B3 através do Bovespa empresas diminuiu, o
Mais, e práticas de GC grau de endividamento
foi positiva para o de curto prazo
desempenho financeiro aumentou, a
das empresas, participação de capitais
de terceiros diminuiu de
forma módica, a Lajida
apresentou um pequeno
aumento e o ROE
diminui.
Jacques et al. (2020). Relação entre o Matriz de correlação Câmbio e PIB possuem
ambiente quadrada maior relação com os
macroeconômico e os indicadores financeiros
indicadores econômico- seguidos por juros,
financeiros dos emprego e inflação
segmentos empresariais
listados na B3.
Fonte: elaborado pelo autor.

Contudo, ao se analisar a relação existente entre liquidez e desempenho

financeiro, a literatura internacional se faz mais relevante ao aprofundar este tema.
Wasma et al. (2018), no período de 2005 a 2016, analisaram 5 empresas do setor
açucareiro no Quênia com base em duas hipóteses: i) de que o nível de liquidez da
empresa não afeta seu desempenho financeiro; e ii) de que o tamanho da empresa também
não afeta seu desempenho financeiro, e, para tal, foi utilizado o ROA. Empregou-se um
modelo estatístico de efeitos aleatórios e concluiu-se com a não validação das hipóteses.
A regressão apresentou efeito negativo, em que se observou que o índice de cobertura do
passivo, isto é, a razão entre as reservas financeiras em relação às despesas mensais,
afetou negativamente o desempenho, o ROA. Por sua vez, o Tamanho apresenta um efeito
positivo no desempenho, pois está de acordo com as expectativas teóricas de que, quanto
maior a empresa, mais participação de mercado possui e maior é o seu desempenho.
Igualmente, Olalekan (2018) analisou o efeito da liquidez e desempenho financeiro em
12 empresas de seguros nigerianas, listadas em bolsa, no período de 2011 a 2015, e
utilizou como proxy a variável alavancagem, prêmios de seguros e sinistralidade; quanto
ao desempenho financeiro, a variável escolhida foi a ROA. Ademais, foi utilizada a
 97

regressão múltipla em painel, após observar os efeitos fixos e aleatórios. Constatou-se

que a alavancagem e a liquidez apresentam efeito negativo sobre o ROA, ao passo que os
prêmios apresentam um efeito positivo e também insignificante no desempenho
financeiro. Hongli et al. (2019) igualmentevanalisaram o efeito da liquidez e da
alavancagem financeira no desempenho das empresas de manufaturas listadas na Bolsa
de Valores de Gana, em seis setores, no período de 2007 a 2015. No caso do desempenho
financeiro, foram utilizados como proxy o ROA e ROE, além de modelos de efeito fixo
e aleatório para a modelagem e escolha do mais adequado. Os resultados, por sua vez,
apresentaram que o índice de liquidez corrente teve um efeito positivo sobre ROE e um
efeito negativo, porém ínfimo no ROA, assim como o efeito da alavancagem sobre o
ROA e ROE. Farhan et al. (2019) examinaram o impacto dos índices de liquidez no
desempenho financeiro de 82 companhias farmacêuticas indianas no período de 2008 a
2017. Cabe o destaque nesse estudo à questão da governança corporativa, no caso o
número de conselheiros, em relação à liquidez e ao desempenho dessas empresas. Foi
utilizado, assim como nos trabalhos anteriores, o modelo de dados em painel e, para
estimação dos resultados, o modelo GMM. Empregaram-se, para mensuração da liquidez,
os índices corrente e de liquidez imediata; Tamanho e alavancagem como variáveis de
controle; e o ROA e o Q de Tobin para mensuração do desempenho financeiro. Os autores
observaram que a Governança modera a relação entre liquidez corrente, imediata;
igualmente, a margem líquida e os índices de liquidez apresentam impacto significativo
no desempenho financeiro medido pelo ROA e Q de Tobin. Senan et al. (2021)
analisaram o desempenho financeiro, liquidez da empresa e alavancagem financeira das
empresas indianas listadas, através de modelos estáticos (efeitos agrupados, fixos e
aleatórios) e Métodos de Momento Generalizado (GMM), sendo que a alavancagem
financeira foi definida como a razão entre o passivo total e o total ativos, enquanto os
índices de liquidez analisados foram corrente e o imediato e também os indicadores de
EBITDA, ROA, ROE e Q de Tobin. Considerando os resultados observados, com
exceção do ROA , todas as outras variáveis são significativas quanto à alavancagem.
Hariyani et al. (2022), ao analisar o efeito da estrutura de capital, liquidez e desempenho
financeiro sobre o lucro de 77 empresas listadas no Indonesian Stock Exchange (IDX),
utilizando o software IBM SPSS versão 25, observaram que a estrutura de capital assim
como a liquidez afetam o lucro; já o ROA não apresentou efeito significativo. Meshack
(2022) examinou o efeito da estrutura de capital sobre o desempenho financeiro de 53
empresas não financeiras listadas na Bolsa de Valores de Nairóbi (NSE), no período de
 98

2010 a 2017, utilizando dados em painel não balanceados. Para avaliar a estrutura de
capital, fez-se uso da razão entre dívida total sobre o patrimônio total; e, com relação ao
índice de liquidez, utilizou-se o de liquidez corrente; quanto ao desempenho financeiro,
o Q de Tobin. Os resultados observados mostram que a alavancagem afetou
positivamente o desempenho financeiro das empresas, assim como a liquidez também
apresentou um efeito positivo na relação de estrutura de capital e desempenho.

Quadro 17: Estudos internacionais sobre Liquidez

Autores Estudos Metodologia Resultado Observado

Wasma et al. (2018). Análise de empresas do Modelo empírico de O índice de cobertura
setor açucareiro no efeitos aleatórios. do passivo afeta o
Quênia, levando em ROA.
conta o nível de
Liquidez e o Tamanho.
Olalekan (2018). Análise de empresas do Regressão Múltipla em A alavancagem afeta
setor de seguros Painel. negativamente o ROA.
listadas na bolsa
nigeriana utilizando a
alavancagem e a
sinistralidade.
Hongli et al. (2019). Análise do o efeito da Modelos de efeito fixo Liquidez corrente
LIQuidez e da e aleatório. apresenta um efeito
alavancagem nas positivo sobre ROE.
empresas Um efeito negativo,
manufatureiras listadas porém, ínfimo no
na bolsa de Gana. ROA, assim como a
alavancagem sobre o
ROA e ROE.
Farhan et al. (2019). Analisou o impacto dos Modelo de dados em A Governança modera
índices de Liquidez no painel e para estimação a relação entre
desempenho financeiro dos resultados o Liquidez corrente
de 82 companhias modelo GMM. líquida há impacto
farmacêuticas indianas significativo medido
e a GC. pelo ROA e Q de
Tobin.
Senan et al. (2021) Análise das empresas Modelos estáticos Exceto o ROA, o
indianas listadas na (efeitos agrupados, EBITDA, ROE e Q de
bolsa. Observando a fixos e aleatórios) e Tobin são
Liquidez e a Métodos de Momento influenciados pela
alavancagem. Generalizado (GMM). alavancagem.

Hariyani et al. (2022) Analisou o efeito da Software IBM SPSS A estrutura de capital e
estrutura de capital, versão 25. a Liquidez afetam o
Liquidez sobre o lucro lucro, enquanto que o
de 77 empresas listadas ROA não apresentou
no Indonesian Stock efeito significativo.
Exchange (IDX).
Meshack (2022) Examinou o efeito da Modelo de dados em A alavancagem afetou
estrutura de capital painel não balanceados. positivamente o
sobre o desempenho desempenho e a
financeiro de 53 Liquidez apresentando
empresas não um efeito positivo na
financeiras listadas na relação de estrutura de
Bolsa de Valores de capital e desempenho.
Nairóbi.
 99

Fonte: elaborado pelo autor.

3.3 Estrutura de Capital

O objetivo de toda empresa está em criar valor para seus acionistas, mantendo sua
operação e seu crescimento. Contudo, para alcançar estes objetivos, é necessário que a
empresa obtenha recursos nas mais diferentes formas, o que leva à questão do
endividamento. Para esta discussão, Pereira e Alves (2012) ponderaram que, embora
contrair uma dívida tenha uma conotação negativa, tal feito é considerado de suma
importância para operacionalização da empresa. Nessa direção, quanto maior o
endividamento da empresa, maior será a possibilidade de retorno para os acionistas,
embora isso possa ocasionar um aumento do seu risco, observando que, quanto mais
dívidas a empresa apresentar em relação a seus ativos, maior será a sua alavancagem
financeira, e também maiores serão o risco e retorno em função do financiamento através
do capital de terceiros. O endividamento, portanto, acaba por servir de estímulo para
investimentos que venham a gerar recursos para a quitação das dívidas anteriores. Por
outro lado, caso isso não ocorra, a empresa poderá se encontrar numa situação de falência.
Alcântara (2014) observou que o controle interno de uma empresa pode ser feito através
dos índices de endividamento, já que sinalizam o grau de risco causado pelos
financiamentos adquiridos, afetando diretamente seu desempenho financeiro. Nesse
sentido, Marcos (2017) destacou a relevância de se observar se a empresa tem financiado
os seus bens e direitos com recursos próprios ou com recursos de terceiros e em que
proporção estas operações são realizadas.

3.3.1 Índices de Endividamento

De acordo com Lins e Filho (2012), os índices de endividamento medem a
participação do capital de terceiros e de capital próprio na empresa, para financiar suas
atividades. Alcântara (2014) pontuou que a empresa, ao fazer seu controle interno, utiliza-
se da análise dos seus índices de endividamento, já que apontam o grau de risco oriundo
dos financiamentos adquiridos que refletirão na estabilidade financeira da empresa,
servindo, assim, como instrumento para as tomadas de decisões financeiras da empresa.
Para analisar tal situação, foram criados determinados índices que visam examinar
o endividamento das empresas, segundo Alcântara (2014); Diel et al. (2014) e Silva et al.
(2016), sendo eles: Índice de Endividamento Geral; Participação de Capital de Terceiros;
Composição de Endividamento. Na sequência cada um desses índices serão apresentados
com mais detalhes.
 100

3.3.1.1 Índice de Endividamento Geral

Mede o percentual de quanto do ativo total é custeado com recursos de terceiros.

𝑷𝒂𝒔𝒔𝒊𝒗𝒐 𝑪𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆+𝑷𝒂𝒔𝒔𝒊𝒗𝒐 𝑵ã𝒐 𝑪𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆

Endividamento Geral = x 100
𝑨𝒕𝒊𝒗𝒐 𝑻𝒐𝒕𝒂𝒍

3.3.1.2 Participação de Capital de Terceiros

Trata da identificação da dependência da empresa quanto aos recursos externos.

𝑷𝒂𝒔𝒔𝒊𝒗𝒐 𝑪𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆+𝑬𝒙𝒊𝒈í𝒗𝒆𝒍 𝒅𝒆 𝑳𝒐𝒏𝒈𝒐 𝑷𝒓𝒂𝒛𝒐

Part. Capital de Terceiros = x 100
𝑷𝒂𝒕𝒓𝒊𝒎ô𝒏𝒊𝒐 𝑳í𝒒𝒖𝒊𝒅𝒐

3.3.1.3 Composição do Endividamento

Representa a quantidade de dívidas de curto prazo da empresa que vencem no
curto prazo em relação à dívida total.

𝑷𝒂𝒔𝒔𝒊𝒗𝒐 𝑪𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆
Composição Endiv. = 𝑷𝒂𝒔𝒔𝒊𝒗𝒐 𝑪𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆+𝑷𝒂𝒔𝒔𝒊𝒗𝒐 𝑵ã𝒐 𝑪𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆
x 100

3.3.1.4 Estudos Anteriores

Os estudos sobre endividamento passaram a ser relevantes em relação aos seus
efeitos para as empresas. Nesta seção, algumas dessas investigações serão apresentadas
de forma resumida. Correa et al. (2016) analisaram o desempenho financeiro das
empresas do setor de energia elétrica, da B3, no período antes e pós-privatização. Foram
utilizados os testes de Wilcoxon, Mann-Whitney, Friedman e Jonckheere-Terpstra
através do software SPSS. Como análise de endividamento, empregou-se o índice de
endividamento geral. Os resultados detectaram que não foram observadas, no caso do
endividamento, diferenças substanciais entre firmas estatais e privatizadas. Gomides e
Sampaio (2018) analisaram os efeitos do endividamento no resultado (lucro/prejuízo) das
empresas do setor de telecomunicação listadas na B3, no período de 2011 a 2015, através
dos demonstrativos financeiros. Utilizou-se uma Regressão Linear Múltipla (RLM) para
identificar o quanto do nível de endividamento influencia o resultado das empresas e se
observou que os índices de composição do endividamento e endividamento geral
possuem correlação significativa com o resultado da empresa, sendo verificado que tais
empresas utilizam significativamente capital de terceiros para financiar suas atividades.
Ie et al. (2019) examinaram o desempenho financeiro de empresas internacionalizadas e
não internacionalizadas, do setor de materiais básicos listadas na B3, no total de 22
empresas. Levaram-se em conta, no caso de índices de endividamento, os índices de
Imobilização do Patrimônio Líquido (IPL), Participação no Capital de Terceiros (PCT) e
 101

Composição do Endividamento (CE), e recorreu-se à análise da regressão logística para

observar a variação no desempenho dos indicadores. Os autores concluíram que, em
relação ao CE, as empresas mais internacionalizadas optam por utilizar recursos próprios
em detrimento de terceiros, ao contrário das menos internacionalizadas que pouco
utilizam recursos próprios. Fonseca et al. (2019) analisaram a relação estatística entre as
variáveis macroeconômicas (Selic, Inflação e Câmbio) defasadas junto aos indicadores
de rentabilidade e endividamento de 191 empresas brasileiras de capital aberto, no
período de janeiro de 1996 a dezembro de 2018. No caso do endividamento, os autores
optaram por utilizar, como variáveis, a relação entre dívida total sobre capital total e
também dívida total sobre o Patrimônio Líquido. Utilizou-se o modelo GMM e foi
observado que, em relação ao endividamento, a SELIC apresenta impacto significativo,
e, por sua vez, a inflação pouco influência apresentou. Teixeira et al. (2021) analisaram
indicadores de liquidez, endividamento, lucratividade e rentabilidade das empresas dos
setores de Consumo Cíclico e Não Cíclico da (B3), estabelecendo comparação entre eles,
com base em quatro períodos (2009–2011; 2012–2014; 2015–2017; e 2018–2020).
Utilizaram testes não paramétricos de Wilcoxon, Friedman, Mann-Whitney para
tratamento dos dados e observaram, especificamente no caso do endividamento, para o
setor de Consumo Não Cíclico, que ocorreu aumento significativo da Composição do
Endividamento e Participação de Capital de Terceiros, nos períodos de 2012–2014 para
2015–2017. Koeche et al. (2021) analisaram o desempenho das quatro maiores empresas
do Setor do Agronegócio da carne listadas na B3 (JBS, Mafrig BRF e Minerva Foods),
no cenário econômico, antes e após o início da Pandemia do Coronavírus (período de
2018 a 2020). Os autores fizeram uso da análise DuPont e também da Correlação de
Pearson para investigar as relações entre as variações dos indicadores com relação à
variação do PIB agropecuário. Os resultados observados foram que, no período estudado,
a JBS apresentou correlação negativa entre o seu endividamento e o PIB agropecuário.
Por sua vez, a Mafrig apresentou correlação positiva, e as outras duas empresas não
apresentaram correlação significativa. Da mesma maneira, Baggio e Borsatto (2022)
analisaram a influência da Governança Corporativa no desempenho financeiro das
empresas listadas na B3, através de índices de endividamento e rentabilidade, utilizando
o software Statistical Package Social Sciences (SPSS). Observaram que, no caso da
rentabilidade, os graus de GC pouco influenciaram neste quesito, pois se verificou que as
empresas continuam alavancadas.
 102

Quadro 18: Estudos sobre Endividamento

Autores Estudos Metodologia Resultado Observado

Correa et al. (2016). Analisaram o F testes de Wilcoxon, Não foi observado, no
desempenho financeiro Mann-Whitney, caso do endividamento,
das empresas do setor Friedman e diferenças substanciais
de energia elétrica, da Jonckheere-Terpstra entre firmas estatais e
B3, no período antes e através do software privatizadas.
pós a privatização. SPSS.
Gomides e Sampaio Analisou os efeitos do Regressão Linear Índices de composição
(2018). endividamento no Múltipla (RLM). do endividamento e
resultado endividamento geral
(lucro/prejuízo) das possuem correlação
empresas do setor de significativa com o
telecomunicação resultado da empresa.
listadas na B3, no
período de 2011 a
2015.
Ie et al. (2019). Analisaram o Análise da regressão As empresas mais
desempenho financeiro logística. internacionalizadas
de empresas optam por utilizar
internacionalizadas e recursos próprios em
não detrimento de terceiros,
internacionalizadas, do ao contrário das menos
setor de materiais internacionalizadas que
básicos listadas na B3. pouco utilizam de
recursos próprios.
Fonseca et al. (2019). Analisaram a relação Modelo GMM. Em relação ao
estatística entre as endividamento, a
variáveis SELIC, apresenta
macroeconômicas impacto significativo e
(Selic, Inflação e por sua vez a inflação
Câmbio) defasadas pouco influência
junto aos indicadores apresentou.
de rentabilidade e
endividamento de 191
empresas brasileiras de
capital aberto.
Teixeira et al. (2021). Analisaram indicadores Testes não paramétrios O setor de Consumo
de Liquidez, de Wilcoxon, Não Cíclico ocorreu
endividamento, Friedman, Mann- aumento significativo
lucratividade e Whitney para da Composição do
rentabilidade das tratamento dos dados). Endividamento e
empresas dos setores Participação de Capital
de Consumo Cíclico e de Terceiros.
Não Cíclico da B3, por
período.
Koeche et al. (2021) Analisaram o Análise DuPont e A JBS apresentou
desempenho das quatro também da Correlação correlação negativa
maiores empresas do de Pearson, entre o seu
Setor do Agronegócio endividamento e o PIB
da carne listadas na B3 agropecuário. Por sua
(JBS, Mafrig BRF e vez a Mafrig,
Minerva Foods), no apresentou correlação
cenário econômico, positiva e as outras
antes e após o início da duas empresas não
Pandemia do apresentaram
Coronavírus correlação
significativa.
 103

Baggio e Borsatto Analisaram influência Software Statistical Os graus de GC pouco

(2022). da Governança Package Social influenciaram neste
Corporativa no Sciences (SPSS). quesito.
desempenho financeiro
das empresas listadas
na B3, através de
índices de
endividamento e
rentabilidade.
Fonte: elaborado pelo autor.

3.4 L Nativo (Tamanho)

Ao se mensurar o desempenho financeiro das empresas, uma das tantas variáveis
que deve ser considerada nesse processo diz respeito ao tamanho das empresas, as quais,
segundo Fontana (2011), poderão ser medidas através do total de ativos, tratando da soma
de todos os bens e direitos, além dos intangíveis. O autor considera que tal variável pode
ser mensurada, via total de vendas. Vogt et al. (2013) declararam que as empresas maiores
procuram ser mais eficientes na utilização de seus ativos. Vu et al. (2019); Yoon & Suh
(2019) atestaram que o número de funcionários também pode ser utilizado para
determinar a variável Tamanho, apresentando uma correlação positiva com o
desempenho. Contudo deve-se destacar o artigo de Mascarelo (2012) ao identificar que o
Tamanho das empresas acaba sendo relevante para o governo, no tocante à distribuição
de valor, no caso, impostos arrecadados.

3.4.1 Estudos Anteriores

Kiefer et al. (2018) utilizaram indicadores de desempenho e de controle para
mensurar a distribuição de riqueza em 268 empresas, divididas em nove setores
econômicos, de empresas listadas na B3. Para a análise dos dados, utilizaram-se a
estatística descritiva e correlação canônica por meio do software estatístico SPSS. Os
autores concluíram a existência da relação entre as variáveis de desempenho e de controle
com a geração e distribuição de riqueza das empresas listadas na B3, demonstrando que
em algumas empresas há uma maior relação entre elas, especificamente no caso da
variável Tamanho. Da Silva et al. (2018) analisaram o desempenho financeiro das
inovações tecnológicas feitas por empresas brasileiras da construção civil. Foram listadas
19 empresas de construção civil e transportes listadas da B3. Foi utilizada a Regressão
Linear Múltipla e observado que, entre as variáveis de desempenho, o Tamanho apresenta
relação significativa com os índices financeiros destas empresas. Tiozo (2019) analisou
as empresas listadas no Índice de Sustentabilidade Empresarial (ISE) da B3, observando
a relação entre risco financeiro e o Tamanho. Foram investigadas 24 empresas, no período
 104

de 2013 a 2017, sendo que os indicadores em foco utilizados foram o saldo de tesouraria
de Fleuriet, liquidez corrente, endividamento geral, fator de insolvência de Kanitz e Valor
Econômico Agregado. Os resultados observados ao relacionar os indicadores acima,
especificamente com o Tamanho das empresas, foi de que, em alguns indicadores, notou-
se que as com menor ativo total apresentaram um desempenho financeiro melhor em
comparação com as outras, havendo, assim, um menor risco financeiro.
Quadro 19: Estudos sobre L Nativo (Tamanho)

Autores Estudos Metodologia Resultado Observado

Kiefer et al. (2018). Analisaram os Software SPSS. As variáveis de
indicadores de desempenho e de
desempenho e de controle com a geração
controle para mensurar e distribuição de
a distribuição de riqueza das empresas
riqueza em 268 da B3, algumas
empresas, dividas em possuem uma maior
nove setores relação com as outras,
econômicos, de no caso
empresas listadas na especificamente do
Bovespa. Tamanho se pode
observar a correlação
com a distribuição
total. Não foi
observado, no caso do
endividamento,
diferenças substanciais
entre firmas estatais e
privatizadas.
Silva et al. (2018). Analisaram o Regressão Linear O Tamanho apresenta
desempenho financeiro Múltipla. relação significativa
das inovações com os índices
tecnológicas feitas por financeiros.
empresas brasileiras da
construção civil. Foram
listadas 19 empresas de
construção civil e
transportes listadas na
B3.
Tiozo (2019). Analisou as empresas O saldo de tesouraria O Tamanho das
listadas no Índice de de Fleuriet, Liquidez empresas tem relação
Sustentabilidade corrente, alguns indicadores e
Empresarial (ISE) da endividamento geral, se observou que as
B3, observando a fator de insolvência de empresas com menor
relação entre risco Kanitz e Valor ativo total
financeiro e o Econômico Agregado. apresentaram
Tamanho. desempenho financeiro
melhor do que as
outras empresas.
Fonte: elaborado pelo autor

3.5 Imobilizado
A relevância do ativo imobilizado está em representar os bens que a empresa
possui, sendo que estes são importantes para a produção, podendo vir a resultar num
 105

melhor desempenho financeiro da empresa, ressaltando que tais bens ainda poderão vir a
ser fundamentais no processo inovativo da empresa, dadas a sua utilização e performance.
De acordo com o CPC 27 (2009), o ativo imobilizado diz respeito aos bens tangíveis, que
são utilizados num período maior de um ano e sob as mais diversas óticas: produção,
fornecimento de mercadorias, serviço, aluguéis e qualquer outro fim. Por sua vez, tal
imobilizado pode ser classificado como ativos depreciativos, exauríveis ou outros ativos
tangíveis. Dessa maneira, segundo a NBC TG 27 (R4), também se devem observar, nesse
ativo, os seguintes itens: a) critérios de mensuração utilizados para determinar o valor
contábil bruto; b) métodos de depreciação utilizados; c) vidas úteis ou as taxas de
depreciação utilizadas; d) valor contábil bruto e a depreciação acumulada (mais as perdas
por redução ao valor recuperável acumuladas) no início e no final do período; e e)
conciliação do valor contábil no início e no final do período. Assim tal conceito, bem
como sua mensuração, apresenta uma maior legitimidade nas informações contábeis
resultando na devida tomada de decisão para os investidores.

Para Diniz (2015) e Godoy, Oliveira e Camargo (2018), o conceito de

Imobilização do Patrimônio Líquido (IPL) indica a quantidade de recursos do Patrimônio
Líquido que faz parte do Ativo Permanente, sendo que tal índice, quando superior a 1,
significa que a empresa financia seus ativos através de capital de terceiros. Assim uma
empresa que não está na sua plena produção vem a apresentar um IPL elevado, sendo que
necessita de empréstimos e financiamento para manter a sua produção, de modo que a
geração de riqueza pode vir a ser comprometida, o que resulta em pagamento de juros.
Sua fórmula é dada por:

𝐴𝑡𝑖𝑣𝑜 𝑃𝑒𝑟𝑚𝑎𝑛𝑒𝑛𝑡𝑒
IPL = x100
𝑃𝑎𝑡𝑟𝑖𝑚ô𝑛𝑖𝑜 𝐿í𝑞𝑢𝑖𝑑𝑜

3.5.1 Estudos Anteriores

Ao se observar a relação entre o IPL e o desempenho financeiro, este é apresentado
em diversos estudos, a começar por Michels et al. (2018) que verificaram o desempenho
econômico-financeiro das empresas pertencentes ao agronegócio listadas na B3 S.A, no
período de 2014 a 2016, utilizando o software estatístico SPSS. Os autores verificaram
que, quanto maior foi o imobilizado, mais a empresa necessita de capital de terceiros para
seu financiamento, observando que, no caso, o setor de Alimentos e Derivados obteve
melhor desempenho por utilizar recursos, enquanto o setor de Carnes e Derivados se viu
numa maior necessidade de captação de capital de terceiros. Moreira e Hirassaka (2018)
 106

analisaram a empresa Kroton Educacional S/A, no período de 2015 a 2017, através da

análise das demonstrações financeiras, via indicadores econômicos e financeiros, e foi
observado que o IPL se manteve baixo, de modo que o Patrimônio Líquido possui pouco
comprometimento com os investimentos em ativos, não dependendo, assim, de capital de
terceiros. Da Silva e Da Silva (2018) investigaram o balanço da empresa Natura, no
período de 2014 e 2015, via seus balanços patrimoniais, e observaram que, em relação à
imobilização do PL, houve pouca variação no período, de modo que pouco foi utilizado
do capital próprio destinado aos ativos permanentes. Kiefer et al. (2018) analisaram uma
amostra de 268 empresas, divididas em nove setores econômicos, listadas na B3, no
período de 2010 a 2015, com o objetivo de observar a relação das variáveis de
desempenho e controle na geração de riqueza. Para a análise dos dados, empregaram-se
a estatística descritiva e correlação canônica através do software estatístico SPSS. Os
autores observaram que, no caso, o IPL está associado à distribuição para capital de
terceiros.

Quadro 20: Estudos sobre Imobilizado

Autores Estudos Resultados Observados

Michels et al. (2018).
Moreira e Hirassaka (2018).
Da Silva e Da Silva (2018).
Kiefer et al. (2018).
Fonte: elaborado pelo autor
Analisou o desempenho
econômico-financeiro das
empresas pertencentes ao
agronegócio listadas na B3, no
período de 2014 a 2016.
Analisaram a empresa Kroton
Educacional S/A, no período de
2015 a 2017, através da análise
das demonstrações financeiras,
via indicadores econômicos e
financeiros.
Analisaram o balanço da
empresa Natura, no período de
2014 e 2015.
Analisou uma amostra de 268
empresas, dividas em nove
setores econômicos, listadas na
B3, no período de 2010 a 2015,
com o objetivo de observar a
relação das variáveis de
desempenho e controle na
geração de riqueza.
Quanto maior foi o imobilizado,
mais a empresa necessita de
capital de terceiros para seu
financiamento.
O IPL se manteve baixo, de
modo que o Patrimônio Líquido
possui pouco comprometimento
com os investimentos em ativos.
Observou se pouca variação no
período, de modo que pouco foi
utilizado do capital próprio
utilizado para os ativos
permanentes.
Os autores observaram que, no
caso, o IPL está associado a
distribuição para capital de
terceiros.
 107

4 TRATAMENTO DE DADOS
O objetivo desta seção é descrever a metodologia utilizada para a elaboração e o
desenvolvimento deste estudo. Com essa finalidade, haverá as seguintes subdivisões: (i)
delineamento da pesquisa; (ii) população e seleção da amostra; (iii) variáveis da pesquisa;
e (iv) tratamento estatístico.

4.1 Delineamento da Pesquisa

A presente pesquisa caracteriza-se como de natureza quantitativa. Segundo
Richardson (1999), a metodologia utilizada deve estar de acordo com o que se pretende
estudar, contudo o exame deste estudo é que determina a metodologia mais adequada para
a situação. Já para Saunders, Lewis e Thornhill (2016), tal natureza está relacionada a
uma interpretação dedutiva, em que se busca testar hipóteses e teorias, sendo que esta
analisa as possíveis combinações das variáveis analisadas, utilizando a estatística como
instrumento. Este estudo é classificado como de natureza descritiva que, segundo Gil
(1999), tem como objetivo identificar a existência de relações entre variáveis, visando
determinar a origem destas, sinalizando a possibilidade de serem estudos explicativos
observando o efeito/influência entre as variáveis. Para Saunders; Lewis; Thornhill (2016),
esta natureza visa explicar características de uma população ou efeito, de modo a
determinar relações entre as variáveis do estudo, uma vez que tais dados podem ter
diferentes finalidades e deve ser ressaltada a sua relevância para o tipo de pesquisa a ser
realizado.
4.2 População e Seleção da Amostra
Quanto à amostra e aos dados utilizados neste trabalho, tratam-se de dados
secundários, coletados no banco de dados Refinitiv, nos sites da Brasil, Bolsa e Balcão
(B3), na demonstração das Informações Anuais (IANs) das empresas, entregues à CVM
a cada ano. A amostra foi composta por empresas brasileiras de capital aberto listadas na
B3, no período de 2016 a 2022. A amostra final é composta de 267 empresas inovadoras
e não inovadoras, sendo que ambas possuem grau de Governança Corporativa (N1, N2 e
NM), dentro de 11 setores, além de subsetores, totalizando 4944 observações. Foram
retiradas todas as observações referentes às empresas do setor financeiro, empresas que
apresentassem Patrimônio Líquido negativo e com menos de três observações.
 108

4.3 Variáveis Dependentes

O objetivo do estudo é analisar fatores que impactam o desempenho das empresas
nacionais de capital aberto. Para o desempenho foram consideradas duas vertentes para
esta classificação: desempenho financeiro e desempenho de mercado.
Para analisar o desempenho financeiro das empresas, foram selecionados os
indicadores CFROA, CFROE e CFROIC, os quais são calculados pela divisão do fluxo
de caixa gerado pela empresa respectivamente por seu ativo total, patrimônio líquido total
e capital total investido. Destaca-se que, diferentemente de estudos tradicionais que têm
como foco o desempenho econômico, o qual é pautado no lucro/prejuízo da empresa,
usando, para isso, indicadores como ROA, ROE e ROIC, neste estudo optou-se por ter
um enfoque maior no sentido financeiro do desempenho por três motivos:
1. Sua maior precisão para análise de sobrevivência da empresa e gestão de
capital de giro;
2. Redução de volume de accruals;
3. Análises de precificações que ocorrem normalmente via fluxo de caixa
descontado, o que refina o nível de precisão para captação de desempenho
real da entidade.

Já no que tange ao desempenho a nível de mercado, a escolha foi por analisar o

índice Preço/Lucro (P/L) e o Book-to-Market (BtM), indicadores que relacionam o
desempenho contábil com a valorização de suas ações.
Para as variáveis explicativas, foram utilizados dois grupos: variáveis
macroeconômicas e variáveis individuais de cada empresa.
4.4 Variáveis Macroeconômicas
O campo da macroeconomia diz respeito ao estudo da economia de um país no
seu contexto nacional e internacional. Tal estudo se utiliza de diversas variáveis, no caso
os grandes agregados, que são de fundamental relevância para todos os agentes
econômicos, com vistas ao seu planejamento, à tomada de decisão de investimento entre
outros. Visando avaliar o impacto macroeconômico no desempenho das empresas,
diversos estudos. Inicialmente, Blanchard (2011) salientou que a tomada de decisão por
um dado investimento tem por influência a expectativa futura de ganhos. Andrade e Melo
(2016) apontaram que o ambiente econômico e político torna necessário um maior poder
de observação, assim como suas interligações, uma vez que é relevante para os agentes
econômicos compreenderem o seu contexto, visando a uma melhor tomada de decisão
 109

pelas empresas. Ainda, Diamandis e Drakos (2011); Sui e Sun (2016); Assefa; Esqueda
e Mollick (2017) observaram que os índices macroeconômicos influenciam o preço das
ações no mercado.
Ao se observar o desempenho financeiro de empresas listadas na B3, vale
apresentar estudos de Zeitun; Tian (2014), Markevicius e Giniunaite (2016), Pandini;
Stüpp; Fabre (2018), que examinaram os efeitos das variáveis macroeconômicas no
mercado de capitais. Contudo Goudie e Meeks (1991), Young (1995), Liu (2004),
Oliveira (2014) e Andrade e Melo (2016) apontaram em seus estudos que diversas
variáveis macroeconômicas podem servir para uma melhor compreensão quanto as suas
influências no desempenho financeiro das empresas. As variáveis macroeconômicas mais
utilizadas com vistas a apresentar a dinâmica econômica abarcam o desempenho
econômico, representado pelo Produto Interno Bruto (PIB), taxa de câmbio, risco-país,
desempenho dos mercados de capitais internacionais, inflação e, por último, as taxas de
juros internas e externas.
Para o presente estudo, foram utilizadas as seguintes variáveis
macroeconômicas: PIB para indicar o crescimento econômico do período; IPCA para
captar os efeitos da inflação; e o LFT, visando capturar os efeitos básicos das taxas de
juros. Ademais, para verificar os efeitos que a crise da COVID possa ter gerado no
desempenho das empresas selecionadas, foi utilizada uma dummy que assume valores
de 1, para períodos após 2020, e 0, para os períodos anteriores.

4.5 Variáveis Internas das Empresas

Para captar os diversos fatores que podem explicar o desempenho das empresas,
foram utilizados 8 indicadores. Destes, 4 correspondem a indicadores fundamentalistas
para analisar a eficiência operacional, liquidez, grau de endividamento e o grau de
imobilização da empresa. A tabela abaixo ilustra os indicadores selecionados para cada
uma destas dimensões.
Quadro 21: Indicadores Fundamentalistas

Dimensão Indicador Selecionado

Eficiência Operacional Despesa Operacional/Receita
Operacional
Liquidez Ativo Total/Passivo Total
Endividamento Passivo/Patrimônio Líquido
 110

Imobilização Imobilizado /Ativo Total

Fonte: elaborado pelo autor.
Dada a adoção da Governança corporativa, tem-se como premissa o fato de que as
empresas que adotam as práticas de governança corporativa possuirão um desempenho
financeiro melhor que aquelas que não possuem tais práticas. Neste sentido, foi incluída
uma variável classificatória para os seguintes graus de governança: Novo Mercado,
Bovespa Mais, Nível 1-2 de Governança e Nível Básico de Governança.
Para identificar as particularidades dos setores das empresas da amostra, foi
utilizada a classificação do ICB (Industry Classification Benchmark), o qual categoriza
as empresas em 11 tipos de indústria, sendo estas: Tecnologia, Telecomunicação, Saúde,
Financeiras, Petróleo e Gás, Consumo Discricionário, Consumo Padrão, Industriais,
Materiais Básicos, Energia e Utilidades.
Quadro 22: Setores Econômicos Estudados

Indústria Supersetor Setor Indústria Supersetor Setor

0530
4530 Serviços e
Produção de
equipamentos de
Petróleo e
cuidados de saúde
Gás
4000 Cuidados de 4500 Cuidados de
0570
0001 0500 saúde saúde
Petróleo: 4570
Petróleo e Petróleo e equipamento, Farmacêuticas e
gás gás serviços e biotecnologia
distribuição
5330 Retalho
0580 Energia
alimentar e de
alternativa
medicamentos
5300 Retalho
1300 1350
5370 Retalho
Produtos Produtos
5000 Serviços de geral
químicos químicos
consumo
1730
Silvicultura e 5500 Mídia 5550 Mídia
papel
1000 5700 Viagens e 5750 Viagens e
Matérias 1750 Metais lazer lazer
1700
básicas industriais e
Recursos 6530
básicos mineração Telecomunicações
6000 6500 de linha fixa
Telecomunicações Telecomunicações 6570
1770
Telecomunicações
Mineração
móveis
2300 2350
Construção e Construção e 7530 Eletricidade
materiais materiais 7000 Serviços 7500 Serviços
2000 2710 públicos públicos
Produtos 7570 Gás, água e
2700 Bens e Aeroespacial
industriais serviços múltiplos
serviços e defesa
industriais 2720 8000 Serviços
8300 Bancos 8350 Bancos
Produtos financeiros
 111

industriais
gerais
2730
Equipamento 8530 Seguros de
eléctrico e não vida
electrónico 8500 Seguros
2750
8570 Seguros de
Engenharia
vida
industrial
8630
2770
Investimentos e
Transporte
serviços
industrial 8600 Bens imobiliários
imóveis
2790 8670 Fundos de
Serviços de investimento
apoio imobiliário
3300 3350
Automóveis Automóveis 8770 Serviços
e e financeiros
componentes componentes
8980
3530 8700 Serviços Instrumentos de
Bebidas financeiros investimento de
3500
renda variável
Alimentação
8990
e bebidas 3570
Instrumentos de
Produtores
investimento de
de alimentos
renda fixa
3000 Bens 3720
de Produtos de
consumo uso 9530 Software e
doméstico e serviços
de informáticos
construção 9000 Tecnologia 9500 Tecnologia
3700
Produtos de de vivendas
uso pessoal e 9570 Hardware &
3740 Bens
doméstico equipamento de
de lazer
alta tecnologia
3760 Bens
de uso
pessoal
3780 Tabaco
Fonte: ICB (Industry Classification Benchmark

Para controlar o efeito Tamanho, foi incluído na modelagem o logaritmo

natural do ativo total das empresas. Por fim, foi gerada uma dummy para o selo da
ANPEI, indicando se a empresa possui ou não o selo de empresa inovadora a cada
ano, sendo esta a proxy utilizada para mensurar o grau de inovação das empresas
nacionais.
 112

4.6 Modelos de Dados em Painel

Os modelos com dados em painel possuem relação direta ao tratar da elaboração
de uma análise quantitativa de dados de séries temporais e dados de corte transversal, no
caso, os processos de pooling e cross section data. A função deste modelo se encontra na
análise das variáveis elencadas num dado período de tempo, além de ser possível observar
também as unidades de corte transversal. Tais variáveis, por sua vez, podem apresentar
um conjunto de empresas, setores etc. Esta técnica é relevante quando da estimação de
modelos econométricos. Porém, dada uma heterogeneidade entre as unidades a serem
analisadas, o modelo se torna mais intricado. Marques (2000) observou que a utilização
do uso dos dados em painel é justificada devido às vantagens do uso dos dados em painel,
explicando que esta abordagem possui uma maior acuidade na estimação. Da mesma
maneira, Greene (2002) e Heij et al. (2004) apontaram este modelo como uma análise
cruzada de unidades, de modo que, para cada uma desta, há uma série temporal com
variáveis dependentes e explicativas, isto é, n indivíduos diferentes em t períodos
temporais diferentes.

Para Wooldridge (2001), por sua vez, este tipo de regressão apresenta-se como
vantagem, no caso, a heterogeneidade dos agentes, um maior número de informações em
relação às variáveis explicativas, maior grau de liberdade e uma menor colinearidade. Tal
método, assim, mostra-se satisfatório ao considerar o efeito das variáveis
macroeconômicas em um dado período de tempo, relacionando estas com desempenho
financeiro, uma vez que cada empresa possui peculiaridades próprias que podem vir a
influenciar o seu desempenho. Ainda, segundo o autor, os efeitos fixos removem o efeito
destas peculiaridades, tendo, logo, uma melhor avaliação dos seus efeitos no desempenho.
Para Stock e Watson (2003), este modelo permite observar/controlar determinadas
variáveis, sem, contudo, observá-las na análise. Portanto este modelo permite a utilização
de um maior número de variáveis.

Gujarati (2006) pontuou que, no emprego de dados em painel, prevalecem as

regressões simples, devido ao fato de tal modelagem permitir a combinação de séries
temporais com dados de corte transversal, de modo que há uma maior variação e uma
menor colinearidade em relação às variáveis estudadas, além de um maior grau de
liberdade. O autor ainda salientou que, quanto aos tipos de modelos em painel, deve-se
observar qual modelo é o mais adequado, podendo ser o de efeitos fixos ou o de efeitos
aleatórios, indo de acordo com o tipo de pesquisa a ser realizado e com os dados
 113

disponíveis. Duarte, Lamounier e Colauto (2008) igualmente observaram que tal

metodologia permite que os dados coletados cubram um menor período de tempo, em
função da indisponibilidade destes ou o custo proporcionado para a sua aquisição.

Segundo Gujarati (2006), as regressões em dados de painel têm como expressão:

Yit = β1 + β2X2it + uit

em que:

i = i-ésima unidade de corte transversal;

t = t-ésimo período de tempo.

Assim, para cada agente i, há o mesmo número de dados temporais, neste caso
tem-se o painel balanceado (ou equilibrado). Caso contrário, caso o número de dados
temporais não seja o mesmo para todos os indivíduos, este se denomina não balanceado
(ou desbalanceado). Stock e Watson (2003) salientaram que este modelo serve para
controlar alguns tipos de variáveis que não aparecem sem a devida observação, de modo
a necessitar de dados, cuja observação deva ser feita em mais de um período de tempo.
Deve-se destacar, ainda, que, neste modelo, é possível tratar de um maior número de
observações, assim como aumentar o grau de liberdade das estimações e das propriedades
dos estimadores.

Neste caso, é assumido que, nos modelos de dados em painel, o erro não afeta as
variáveis explicativas, de modo que se deve definir qual tipo de modelo deverá ser
escolhido. Com relação aos modelos, podem-se citar três, sendo eles: modelo pooled
OLS, efeitos fixos e efeitos aleatórios.

4.7 Modelo de Pooled OLS

Para Moreira (2009), este modelo permite que as observações sejam empilhadas,
de modo que seu intercepto e coeficientes angulares apresentados na regressão sirvam
para as cross sections num período de tempo. Segundo o autor, há a possibilidade de se
observar uma maior amostra, de modo que se geram estimadores mais robustos, em
comparação aos outros modelos. Porém, como desvantagem, pode ser salientado que o
modelo não leva em consideração que fatores individuais não observados possam ter
relação com os regressores.
 114

Tem-se como sua equação:

Yit =at0 +a1X it +e it

4.8 Modelo de Efeitos Fixos

Para Marques (2000), neste tipo de modelo, os coeficientes podem se alterar de
indivíduo para indivíduo ou num dado período temporal, mesmo que sejam consideradas
constantes fixas, isto é, não aleatórias. Ribeiro (2009) apontou que se faz necessário levar
em conta as distinções entre os indivíduos (países, regiões, empresas), de modo que, no
caso do termo constante, há a suposição de que os interceptos sejam constantes no tempo.
E, por último, Moreira (2009) também salientou que, neste modelo, os interceptos podem
sofrer alterações em função da variável, sendo elas constantes, assim como os coeficientes
angulares observados não sofrerão alteração ao longo do tempo. Portanto:

Yit = ai + aXit + ... + uit

sendo que i, e a variável do intercepto (ai), são diferente para cada unidade (ou indivíduo),
podendo, assim, ilustrar as diferenças que não sofrem alterações num dado período de
tempo.

4.9 Modelo de Efeitos Aleatórios

Neste modelo, Moreira (2009) frisou que os efeitos individuais fixos observados
não possuem relação com os estimadores de longo prazo. Assim não é possível eliminar
os efeitos deste, já que os interceptos são considerados variáveis aleatórias, isto é, leva-
se em conta somente que as empresas selecionadas fazem parte de um conjunto maior de
empresas, de modo que o valor médio do intercepto e as diferenças de cada empresa são
refletidas no erro. Presume-se a questão da heterogeneidade das unidades, de acordo com
a equação:

Yit = a + bXit + ... + (ni + uit) com ai = a + ni

em que ni representa o efeito aleatório individual não observável.

Assim a diferença entre os modelos fixo e aleatório está no fato de que, no
primeiro, considera-se a constante como um parâmetro aleatório não observável, e não
 115

como um parâmetro fixo. Quanto ao segundo caso, efeito aleatório, é considerado que as
diferenças são registradas no erro. Cabe destacar que a escolha entre ambos os modelos
considera a possível correlação entre os repressores X e o erro ui. No caso de não ser
observada a correlação, o efeito aleatório seria o mais convincente; caso seja observada a
correlação, cabe o efeito fixo. É plausível sublinhar que, no que concerne à ausência de
dados, isto é, quando ocorrem interrupções de dados nas séries temporais, o efeito fixo é
sugerido.
Neste sentido, para as variáveis CFROA, CFROE, CFROIC, P/L e BtM, foi
utilizada a seguinte equação para modelagens:

Yit= ait + b1itEfOp+ b2itLiq + b3itEnd + b4itImob + b5iSetor + b6itLnAtivo +

b7tPIB+ b8tIPCA + b9tLFT + b10itNGC + b11itInov + btCOVID + it

Deste modo, diversos aspectos podem afetar o desempenho financeiro de uma

empresa, sendo que alguns merecem o devido destaque. Inicialmente há a questão da
inovação nos processos produtivos, sendo que a existência de empresas inovadoras
viabiliza maior destaque, haja vista ela podem apresentar melhores resultados, devido à
busca constante por inovações que possibilitem maior produtividade. Além disso, a
possibilidade de que estas adotem medidas que levem a boas práticas no quesito de
governança corporativa é muito bem visto pelo mercado. E por último, há a questão do
cenário econômico que pode influenciar os resultados das empresas.
Neste contexto, vários estudos destacam a relação entre o desempenho financeiro
e governança corporativa nas empresas, nos mais diversos setores. Contudo a mensuração
destes itens, levando em conta o fato de as empresas serem consideradas inovadoras em
comparação àquelas que não são, bem como a conjuntura econômica, sugere uma análise
mais criteriosa a ser observada. Tal dicotomia, basicamente, trata destas questões. Assim
este projeto pretende dar continuidade à elaboração da tese que pretende analisar a relação
existente entre estes três quesitos, observando os seus efeitos para o mercado.
 116

5 DETERMINAÇÃO DA ABORDAGEM EM PAINEL

Para melhor definição referente à escolha dos modelos em painel, são propostos
alguns testes para determinação da abordagem a ser aceita: Pooled OLS, efeito fixo ou
efeito aleatório. Assim Silva e Cruz Jr. (2004) sugerem as seguintes abordagens para
validação do modelo:
i) Comparação entre Pooled e Efeitos Fixos;
ii) Comparação entre Pooled e Efeitos Aleatórios;
iii) Comparação entre Efeitos Fixos e Efeitos Aleatórios.
Para o item i), sugere-se o Teste de Chow, em que este leva em conta as seguintes
hipóteses:
(i) Hipótese nula: interceptos comuns (Pooled);
(ii) Hipótese alternativa: interceptos diferentes (Efeitos Fixos).
Os autores salientaram que esse teste determina o melhor modelo a ser adotado,
e, para isso, utilizam o método das Somas de Quadrados dos Resíduos. Por sua vez,
Moreira (2009) salientou que tal teste apresenta a hipótese nula como não havendo
diferenças estruturais entre os dois métodos, em relação à hipótese nula, de modo que os
erros ocorrem em função de fatores que não foram observados, sendo, assim, iguais a
zero. Logo, para o autor, existindo um erro diferente de zero, o modelo de efeito fixo ou
aleatório apresentar-se-á mais adequado do que o pooled. De forma sucinta, Magalhães e
Andrade (2009) expressaram que o teste de Chow viabiliza a verificação em parte ou
totalmente do modelo de regressão, sendo os parâmetros diferentes ou não, em função da
hipótese nula ser aceita ou não. Por conseguinte, verifica-se se a hipótese se utiliza da
estatística F, em que os coeficientes utilizados na regressão são nulos.
Um segundo teste é sugerido para a escolha entre o modelo restrito Pooled e o
modelo de Efeitos Aleatórios. Neste caso, trata-se do teste de LM-Breusch-Pagan (LM),
que se caracteriza pela apresentação de duas hipóteses. São elas:
(i) Hipótese nula: interceptos comuns (Modelo Restrito – Pooled);
(ii) Hipótese alternativa: interceptos diferentes para cada seção cruzada (Modelo
Efeito Aleatório).
No caso de não ser viável a primeira hipótese, deverá ser utilizado o teste de
Hausman para determinar qual é o melhor modelo: efeito fixo ou aleatório. Nesse teste,
apresentam-se como hipóteses:
(i) Hipótese nula: resíduos não correlacionados com a variável explicativa (fixo);
 117

(ii) Hipótese alternativa: resíduos correlacionados com a variável explicativa

(aleatório).
Contudo Moreira (2009) pontuou que, caso seja pressuposto que, estando os
resíduos, assim como as variáveis explicativas correlacionadas, o modelo de efeitos fixos
pode ser o indicado. Com vistas, ainda, à determinação da abordagem a ser utilizada para
mensurar as regressões, torna-se necessária a execução de testes de relaxamento, e, para
isso, observa-se a necessidade de se validar algumas hipóteses, sendo elas:

i) Normalidade: com o objetivo de se efetuar este cálculo, sugere-se a utilização do teste

de Kolmogorov-Smirnov, pois, segundo Silveira, Barros e Famá (2003), tal procedimento
permite observar se o modelo se adequa à distribuição normal dos termos de erro;

ii) Heterocedasticidade: este efeito ocorre devido às variâncias dos distúrbios estocásticos
não serem iguais, isto é, a variância observada dos erros não é contínua. Para Silveira,
Barros e Famá (2003), este teste observa se o modelo corrobora os três requisitos para um
modelo de regressão linear, sendo eles: a homocedasticidade dos termos de erro, a
especificação linear correta do modelo e a independência dos resíduos em relação aos
repressores. Para avaliar a homocedasticidade dos resíduos, foi utilizado o teste de
Breusch-Godfrey.

iii) Autocorrelação residual: tem como premissa, segundo Moreira (2009), que o erro
relacionado às observações não sofre influência por parte do erro de uma outra
observação. O autor ainda destaca que, para validar tal fato, é sugerido o teste de Durbin-
Watson para observar a existência ou não a ausência da autocorrelação nos resíduos,
sabendo que tem como resultado a falta de eficiência dos estimadores dos mínimos
quadrados ordinários. Uma vez observada tal condição, sugere-se a utilização do método
dos Mínimos Quadrados Generalizados (MQG) para efetuar os devidos ajustes; e

iv) Multicolinearidade: ocorre quando as variáveis exógenas, independentes, apresentam

altas correlações cruzadas, quando o coeficiente R2 apresentar um alto valor. Para avaliar
tal questão, foi aplicado o teste de valor da inflação da variância (VIF).
 118

6 ANÁLISE E INTERPRETAÇÃO DOS RESULTADOS

Neste capítulo, são apresentados os resultados apurados nesta pesquisa.
Inicialmente, apresentam-se as estatísticas referentes aos indicadores de desempenho e a
análise de correlação entre as variáveis estudadas. Em seguida, têm-se as análises de
regressão com dados em painel. A população é composta por 268 empresas listadas na
B3, nos níveis BOVESPA Mais e Níveis de Governança N1, N2 e NM, no período de
2016 a 2022, sendo que, entre elas, estão as empresas classificadas como inovadoras de
acordo com a ANPEI. Para analisar o resumo da estimação do modelo que leva como
variável dependente CFROA, CFROE, CFROIC, Book to Market (BtM) e índice
Preço/Lucro (P/L), foram executados testes para selecionar os melhores modelos de dados
em painel, a ser utilizado, sendo eles: o Pooled, Efeitos Fixos (FE) e Efeitos Aleatórios
(RE). Os testes em questão foram o Teste F, o Teste Multiplicador de Lagrande e o Teste
de Hausman, de modo que o modelo de EF apresentou resultados mais consistentes, em
relação ao Pooled e ao RE. E por último, destaca-se que, em relação aos níveis de
significância, estes são dados por * p<0,1; ** p<0,05 e *** p<0,01. Abaixo apresentam-
se as tabelas com os resultados apurados.

Tabela 1- Resultados das regressões (Geral) para as variáveis de desempenho e mercado

CFROA
Pooled RE
R² 0,0411 0,0064 0,0139
R² ajust 0,0368 -0,0517 0,0095
F 9,59 *** 3.0120*** 82,37***
CFROE
Pooled EF RE
R² 0.0144 0.0048 0.0078
R²ajust 0,1 0,0534 0,0034
F 3,2610*** 2,2490** 40,9400***
CFROIC
Pooled EF RE
R² 0,0198 0,0094 0,0127
R² ajust 0,0155 -0,485 0,0083
F 4,5290*** 4,4450*** 63,5500***
BTM
Pooled EF RE
R² 0,1748 0,1367 0,1269
R² ajust 0,1711 0,0863 0,1230
F 47,3900*** 73,9700*** 648,3000***
P/L
 119

Pooled EF RE
R² 0,0048 0.0064 0,0032
Ajust 0,0004 -0,0517 -0,0012
F 1,0830 3,0160*** 16,4600
Fonte: Resultados da Pesquisa.

Tabela 2- Resultados da regressão - CFROA

Painel Models Tests Estatistic Tests of Best Model

Test Estatistics Test Estatistics
Pooled x FE 4.5453*** Durbin-Watson 2.2674
Pooled x RE 24.0738*** Breusch-Godfrey 56.371***
FE x RE 45.0899*** Persanov 13.5158***
Kolmogor - Smirnof 0.4541***
Fonte: Resultados da Pesquisa

Tabela 3- Resultados da regressão - CFROE

Painel Models Tests Estatistic Tests of Best Model

Test Estatistics Test Estatistics
Pooled x FE 2.8238*** Durbin-Watson 1.926***
Pooled x RE 2.0945*** Breusch-Godfrey 90.794***
FE x RE 32.6549*** Persanov 34.4502***
Kolmogor - Smirnof 0.3699***
Fonte: Resultados da Pesquisa.

Tabela 4– Resultados da regressão - CFROIC

Painel Models Tests Estatistic Tests of Best Model

Test Estatistics Test Estatistics
Pooled x FE 1.8266*** Durbin-Watson 2.2105
Pooled x RE 6.2038*** Breusch-Godfrey 40.8384***
FE x RE 38.1113*** Persanov 185.6527***
Kolmogor - Smirnof 0.1***
Fonte: Resultados da Pesquisa.

Tabela 5- Resultados da regressão - BtM

Painel Models Tests Estatistic Tests of Best Model
Test Estatistics Test Estatistics
Pooled x FE 26.5294*** Durbin-Watson 1.0028***
Pooled x RE 106.5607*** Breusch-Godfrey 128.6826***
FE x RE 223.8432*** Persanov 89.3613***
Kolmogor - Smirnof 0.2296***
Fonte: Resultados da Pesquisa.

Tabela 6- Resultados da regressão – P/L

Painel Models Tests Estatistic Tests of Best Model

Test Estatistics Test Estatistics
Pooled x FE 3.3968*** Durbin-Watson 2.0213
Pooled x RE 4.6124*** Breusch-Godfrey 22.6721
FE x RE 4.4889 Persanov 21.6542***
Kolmogor - Smirnof 0.5393***
Fonte: Resultados da Pesquisa.
 120

6.1 Análise das Regressões

Visando determinar a qualidade do ajuste do modelo, foram utilizados os
coeficientes de determinação R² ajustado e estatística F. Esses coeficientes foram usados
para diagnosticar a consistência do modelo proposto, em que hipótese nula é um modelo
de média incondicional mais adequado do que o modelo irrestrito. O R² ajustado apresenta
a capacidade explicativa do modelo e, de acordo com Hair et al. (2009), pode variar entre
0 e 1 (0 e 100%). Quanto mais próximo de 0, as variáveis independentes não são coerentes
para explicar o comportamento da variável dependente em relação às independentes, e
quanto maior o R² ajustado, mais confiáveis são os valores da regressão. No caso, os
valores apurados no método de regressão do modelo EF para as variáveis independentes
analisadas tendo como variáveis dependentes o CFROA, CFROE, CFROIC, BtM e P/L.
6.1.1 Análise geral da regressão (CFROA)
Por se tratar de uma regressão que leva em conta toda a amostra estudada, nos
mais diversos segmentos e setores listados na B3, as análises aqui apresentadas
contextualizam apenas o desempenho de uma forma mais ampla das empresas listadas.
Tal observação se faz presente uma vez que não foram apresentadas análises
pormenorizadas por setor, nesta seção.

No caso do CFROA, a primeira variável a ser analisada é a Eficiência

Operacional (EFOP), que apresentou correlação positiva, mas não significativa e um p-
valor significante, igual a 0,0001. Em seguida, tem-se a variável Liquidez (LIQ), que
apresentou coeficiente positivo de 0,0001 e p-valor de 0,0005. A terceira variável é o
Endividamento (ENDIV), que teve coeficiente de 0,0232 com p-valor igual a 0,0068, com
relativa relevância da ordem de 5%, sendo, portanto, significativa para explicar a
correlação negativa com o CFROA. A quarta variável é o imobilizado (IMOB), com
coeficiente de 0,0058 e p-valor igual a 0,0073. Na sequência, tem-se o L Nativo (TAM),
que trata do Tamanho, cujo coeficiente foi igual a -0,0019 e p- valor igual a 0,0030,
apresentando também uma correlação negativa com o CFROA. Por último, as variáveis
macroeconômicas PIB e LFT apresentaram relevância em relação ao CFROA. No caso
do PIB, teve coeficiente de -0,4748 e p-valor de 0,1707, com índice de relevância da
ordem de 1%, apresentando uma correlação negativa. A variável LFT também apresentou
a mesma correlação, tendo coeficiente de -0,2798, com p-valor de 0,1220 e grau de
significância da ordem de 0,05%. Quanto às variáveis COVID e INOV, a primeira
apresentou o valor de 0,0013 com p-valor de 0,0017, mas sem significância; a variável
 121

INOV apresentou correlação negativa de -0,0005 e p-valor de 0,0026. Tais valores podem
ser vistos na tabela 29.

Somente as variáveis endividamento, PIB e LFT apresentaram significância em

relação ao CFROA para a amostra analisada, conforme apresentado na tabela 29. Esse
resultado corrobora aqueles obtidos por Fernandes et al. (2021), ao analisar a relação do
endividamento ao ROA, nas empresas do IBrX100. Esses autores buscaram observar se,
quanto maior for o retorno do ativo, maior é o endividamento, e observaram que 16% das
empresas se encontram nesta situação. Isso demonstra a relevância do endividamento
sobre o ROA, nas empresas listadas. Quiraque et al. (2021) também analisaram este
impacto, com uma amostra de 106 empresas, listadas na B3, no período de 2011 a 2020,
e constataram que o aumento do endividamento geral diminui a rentabilidade do ativo
(ROA). Destacaram, ainda a relevância da assimetria de informação com vistas a esse
resultado. Igualmente, Feraz et al. (2017), ao analisarem os resultados de uma amostra de
empresas listadas na BM&F Bovespa (B3) no período de 2000 a 2013, constataram uma
relação inversa entre as duas variáveis, deixando o resultado como inconclusivo.

Santos et al. (2008) correlacionaram variáveis macroeconômicas com diversos

indicadores, em um estudo intrassetorial, e concluíram que há uma relevante correlação
entre o PIB e os indicadores de Rentabilidade. Cabe também citar o estudo de Dewi, Soei
e Surjoko (2019), para a bolsa da Indonésia, ao analisar o impacto das variáveis
macroeconômicas sobre a rentabilidade das empresas, através do ROA. Eles concluíram
que somente o PIB influenciou significativamente a rentabilidade da empresa, enquanto
a inflação, taxa de câmbio e emprego não apresentaram influências significativas.

6.1.2 Análise geral da regressão (CFROE)

Seguindo a ordem das variáveis, apresentadas anteriormente, a primeira a ser
analisada é a EFOP, que apresentou correlação da ordem de -0,0006 e significativa em
10%, com p-valor significante, igual a 0,0003, sinalizando uma variação negativa com o
CFROE. A variável LIQ apresentou coeficiente negativo de -0,0036 e p-valor de 0,0055.
A terceira variável ENDIV também apresentou coeficiente negativo de -0,2027 com p-
valor igual a 0,2814. A quarta variável, IMOB, apresenta um coeficiente de 0,1676 e p-
valor igual a 0,1451. Em seguida, tem-se a variável TAM, cujo coeficiente foi igual a -
0,06 e p-valor igual a 0,0535. Por último, nas variáveis macroeconômicas, a LFT
apresentou relevância em relação a CFROE, apresentando coeficiente de -3,541 e p-valor
 122

de 1,62100,1707, com índice de relevância da ordem de 5%; quanto a variáveis PIB e

IPCA, as mesmas apresentaram correlação negativa de -3,163 e -0,0219 com p-valores
de 1,9450 e 0,0144 respectivamente. Quanto às variáveis COVID e INOV, apresentaram
correlação positiva, sendo a primeira da ordem de 0,012, com p-valor de 0,0236, mas sem
significância, assim como a variável INOV com 0,157 e p-valor de 0,0322. Tais valores
podem ser vistos na tabela 29.

Assim, somente as variáveis EFOP e LFT apresentaram significância para

explicar variação no CFROE, embora a EFOP tenha apresentado algum nível de
significância na amostra. Ao se analisar de modo mais amplo, a literatura não comprova
tal relação de significância apresentada pela amostra. Em estudo elaborado por Duarte et
al. (2018), para empresas não financeiras no período de 2010 a 2017, concluiu-se que
somente as variáveis ROI, EBITDA e Margem Bruta (MB) apresentaram correlação
positiva e significativa em relação à eficiência operacional. Segundo Uremadu, Egebidi
e Enyi (2012), ao analisar as empresas listadas na Bolsa da Nigéria, foi observado que o
ROE não é a medida ideal para a mensuração do impacto da eficiência operacional em
uma empresa. Quanto ao impacto da LFT no ROE, segundo Fonseca (2019), ao investigar
os indicadores de rentabilidade e endividamento de 191 empresas brasileiras de capital
aberto, entre 1996 e 2018, concluiu-se que coeficientes estatisticamente significativos, no
caso, do estudo, Selic, Inflação e Câmbio, foram negativos, havendo a observação de que
aumentos nestas variáveis indicam redução, no caso, na rentabilidade, o que está de
acordo com os valores apurados na regressão.

6.1.3 Análise geral da regressão (CFROIC)

Em relação aos valores apurados na regressão geral do CFROIC e das variáveis
independentes, verificou-se que nenhuma delas apresenta grau de significância, de modo
que pouco explica a devida relação. Contudo a maioria das variáveis analisadas
apresentaram correlação negativa com a variável analisada, o CFROIC. Em relação aos
valores apurados, apresentaram correlação negativa nas seguintes variáveis: a EFOP com
valor de coeficiente da ordem de -0,0379 com p-valor de 0,0618; o IMOB igual a -3,2560
com p-valor de 5,4510; o TAM da ordem de -0,3934 com p-valor de 1,1900; e a COVID
com valor de -2,0150 com p-valor de 2,2000. Ainda em relação a coeficientes com
correlação negativa, cabe destacar as variáveis macroeconômicas, que apresentaram forte
correlação dos valores apurados, no caso, o PIB com um valor de correlação de -26,2400
com p-valor de 40,4800 e a LFT com valor da ordem de -38,3800 com p-valor de 55,7500.
 123

Tal observação leva ao fato de que o ambiente macroeconômico afeta consideravelmente

o CFROIC. Quanto a outras variáveis, estas apresentaram correlação positiva, a começar
pela LIQ, com valor de 2,1940 e p-valor de 2,2560; o ENDIV com valor de 5,0380 e p-
valor de 3,7420; o IPCA com valor de 0,9052 e p-valor de 1,2820; e por último a variável
INOV com valor de 0,6173 e p-valor de 0,4706. Estes valores podem ser vistos na tabela
29.

Em se tratando do ROIC, impactando as variáveis macroeconômicas, Jacques et

al. (2020) buscaram identificar a relação entre as variáveis macroeconômicas e as
variáveis desempenho, no caso ROE e ROI, e concluíram que estas variáveis
apresentaram uma maior associação com os indicadores econômico-financeiros dos
segmentos empresariais, seguidos pelas variáveis juros e inflação.

Tabela 7- Resultados das regressões para o modelo EF

CFROA CFROE CFROIC BTM P/L
Efop 0,00001 -0,0006* -0,0379 -0,004*** 0,0885
LIQ 0,0001 -0,0036 2,194 -0,0781 16,6200
Endiv -0,0232** -0,2027 5,038 -0,258 -146,7
Imob -0,0039 0,1676 -3,256 0,007 -131,6
L nativo -0,0019 0,06 -0,3934 -0,7416*** -4,389
PIB -0,4748*** -3,163 -26,24 11,48*** -1621
IPCA 0,0002 -0,0219 0,9052 -0,1159 -10,69
LFT -0,2798** -3,541** -38,38 -38,34*** -875,8
Covid 0,0013 0,0012 -2,015 0,2284*** 11,63
Inov 0,0157 0,6173 -0,0657 -105,9
Fonte: Resultados da Pesquisa.

6.2 Análise dos resultados das regressões das variáveis de desempenho por setor
Nesta seção, analisam-se as regressões em relação às variáveis CFROA, CFROE
e CFROIC em cada setor. Contudo é relevante destacar que estes setores individualmente
são compostos por diversos subsetores, promovendo, assim, uma ampla capilaridade e
peculiaridades na análise de cada um deles. Sendo assim, tais resultados alcançados
servirão de parâmetros para relacionar a outros estudos correlatos.

A análise a ser apresentada, todavia, em muitas vezes, leva em consideração

determinados subsetores, uma vez que há diversas peculiaridades da análise de cada um
deles, de modo que tais observações servirão de parâmetros para este estudo. Ao executar
a regressão do CFROA, CFROE e CFROIC (GERAL), para toda a amostra, tendo como
 124

variável independente o EFOP, obtiveram-se, como resultados, 0,00001; -0,0006 e -

0,0379, respectivamente, sendo que o CFROE apresentou nível de significância de 10%.

6.2.1 Variável EFOP

Ao executar a regressão do CFROA, CFROE e CFROIC (GERAL), para toda a
amostra, tendo como variável independente o EFOP, obtiveram-se, como resultados,
0,00001; -0,0006 e -0,0379, respectivamente, sendo que o CFROE apresentou nível de
significância de 10%.

Ao se analisar setorialmente, observa-se que, no setor de consumo discricionário,

as correlações foram negativas para o CFROA e CFROE e positiva para o CFROIC, sendo
que nenhuma delas apresentou grau de significância. No CFROE, observou-se que o valor
obtido neste setor (-0,0095) em muito divergiu na média observada (-0,0006). No setor
de consumo padrão, somente o CFROIC apresentou correlação positiva, porém o CFROA
e CFROE, além de apresentarem correlação negativa, exibiram grau de significância da
ordem de 5% e 1%, sendo que os valores observados apresentaram forte variação ao
serem comparados aos valores obtidos na regressão geral, com destaque para o CFROE
(0,0262) e CFROIC (0,0927). Quanto ao setor de energia, os coeficientes apresentaram
correlação positiva, sendo que somente no CFROE observou-se nível de significância de
5%. O valor apurado para o CFROA (0,006) e CFROE (0,045) demonstrou significativa
variação como o valor apurado na regressão geral.

O setor imobiliário apresentou somente correlação positiva para o CFROE

(0,0057). O CFROA e CFROIC apresentaram correlação negativa, sendo que nenhum
deles apresentou grau de significância, porém, para este último, em comparação ao
resultado geral, este foi bem discrepante, sendo da ordem de -2,1681. O setor industrial
apresentou correlação positiva, sem significância. Contudo os valores observados no
CFROA (0,234) e no CFROIC (18,388) em muito destoa dos valores percebidos pelas
outras variáveis e principalmente em relação à regressão geral. Quanto ao setor de
material básico, somente o CFROE apresentou correlação positiva, sendo que não foi
observado grau de significância em nenhuma das outras variáveis, com destaque para os
resultados obtidos para o CFROA (-0,0129) e CFROE (0,0556) que estão variando
consideravelmente em relação aos valores da regressão geral. O setor de saúde obteve
correlações positivas para as variáveis, sendo que somente para o CFROE (0,0004) teve
grau de significância de 1%. Todos os valores apurados nas correlações apresentaram
discrepância ao se comparar com os valores da regressão geral. Quanto ao setor de
 125

tecnologia, este apresentou resultados mais substanciais nas regressões principalmente

em comparação com os resultados apurados na regressão geral. O CFROA (0,0205)
apresentou grau de significância de 1%; CFROE (0,8064), grau de significância de 1%;
e para o CFROIC (-04227), grau de significância de 10%. O setor de telecomunicações
não apresentou nenhum valor com nível de significância, tendo como destaque o CFROE
(0,1464) em comparação ao valor da regressão geral, o CFROA apresentou correlação
negativa (-0,0006), assim como o ROIC (-0,2222). Quanto ao setor de utilidades, as três
variáveis apresentaram correlação negativa, sendo que o CFROE (0,0109) apresentou
nível de significância de 5%, bem acima do valor apresentado na regressão geral, com
ênfase para o valor observado pelo CFROIC (0,2464), o que pode se ver na tabela 08.

Tabela 8- Resultados da regressão EFOP x CFROA/CFROE/CFROIC por setor

EFOP
CFROA CFROE CFROIC
Geral 0,0001 -0,0006* -0,0379
Discric -0,0004 -0,0095 0,0304
Padrao -0,0093** -0,0262 -0,0927***
Energia 0,0006 0,045** -0,0332
Imob -0,0006 0,0057 -2,1681
Ind 0,0234 0,0053 18,388
Mat Bas -0,0129 0,0556 -0,0499
Saude -0,00001 -0,0004*** 0,0008
Tecnol -0,0205*** -0,8064*** -0,4227*
Telecom -0,0006 0,1464 -0,222
Util -0,0029 -0,0109** 0,2464
Fonte: Resultados da Pesquisa.

Com base nos dados apresentados na tabela 8, é apresentado o gráfico 1 abaixo.

 126

Gráfico 1– EFOP x CFROA/CFROE/CFROIC por setor

20

15

10

-5

EFOP CFROA EFOP CFROE EFOP CFROIC

Fonte: Resultados da Pesquisa.

Observa-se que, em relação ao EFOP, o CFROIC apresenta correlação mais

substancial em comparação ao CFROE e CFROA. Os resultados apresentados, para as
correlações do EFOP x CFROA/CFROE/CFROIC por setor, destaca o valor apurado do
CFROIC para os setores imobiliários e industrial. No caso para o setor imobiliário, cita-
se o setor de construção civil em que Ziroldo et al. (2020) apontaram que, ao analisar as
empresas deste setor no período de 2009 a 2018, listadas na B3, utilizaram o ROE e o
ROIC para avaliar o desempenho financeiro, sendo ambos significativos na pesquisa, o
que, no caso do ROIC, está de acordo com o observado neste trabalho. Ainda, Pilateris e
McCabe (2003) avaliaram o desempenho das empresas de construção civil no Canadá,
levando em conta diversos indicadores, entre os quais de rentabilidade, e concluíram que
empresas que apresentem menor eficiência exibem menor rentabilidade. Para o setor
industrial, por exemplo, ganha relevo o setor de transporte com base em Vadas (2019),
que, ao analisar a empresa aérea Azul e setor aéreo, observou que neste houve um
aumento na demanda enquanto os custos operacionais diminuíam, dada a introdução de
novas tecnologias, levando o ROIC a ser menor que o custo do capital. Ele ainda concluiu
que há baixo retorno em relação ao esperado, levando as companhias a obterem uma
maior eficiência operacional. Tal conclusão também está de acordo com o que foi
observado neste trabalho.
 127

Porém, ao observar os níveis de significância dos setores nesta regressão, cabe o

destaque para os seguintes setores. O setor de consumo padrão apresenta nível de
significância de 10% e 1% para o CFROA e CFROE respectivamente com a variável
eficiência operacional. Em relação a estas variáveis, Muller e Silva (2023) analisaram
diversos indicadores de empresas dos setores de Consumo Cíclico e Não Cíclico da B3,
em quatro períodos distintos (2009–2011; 2012–2014; 2015–2017; e 2018–2020) e
observaram que o setor de consumo cíclico foi muito afetado nos períodos 2012–2014 e
2015–2017, sinalizando que o ambiente econômico é crucial para o desempenho
econômico-financeiro das empresas deste setor. Em relação à questão da eficiência
operacional, Moreira et al. (2018), ao analisarem empresas dos setores não financeiros,
no período de 2008 a 2017, observaram que o nível de investimento é de fundamental
relevância quanto à eficiência operacional e ao desempenho das empresas analisadas.

O setor de energia apresenta nível de significância de 5% para o CFROE (0,0045).

Tal observação está de acordo com o que Bomfim et al. (2011) encontraram no seu estudo
ao analisarem 43 distribuidoras de energia elétrica, no ano de 2009 visando determinar
que variáveis deveriam ser consideradas para análise de desempenho, sendo a eficiência
operacional uma delas. Já Ribeiro, Macedo e Marques (2012), ao analisarem quais
indicadores financeiros e não financeiros deveriam ser considerados no desempenho
organizacional de 42 empresas do setor brasileiro de distribuição de energia elétrica, com
base no ano de 2010, concluíram que o ROE é uma das quais deveriam ser consideradas,
aspecto que também está de acordo com o observado nesta investigação.

O setor de saúde, por sua vez, apresenta nível de significância de 1% para o

CFROE (0,0008). Albuquerque et al. (XXX) analisaram o setor de saúde e comércio das
empresas listadas na B3 entre 2012 e 2018 e observaram que, no caso do setor de saúde,
os piores desempenhos foram no ROE. Em relação à eficiência operacional, a literatura
não explicita tal observação. Porém estudos específicos que levem em conta a eficiência
operacional no setor de saúde com vistas ao desempenho financeiro não foram
observados. Contudo estudo de Barbosa et al. (2021), com 63 hospitais sem fins
lucrativos, entre 2006 e 2015, procurou estabelecer quais variáveis seriam as mais
adequadas para explicar o desempenho operacional e econômico-financeiro, e, ao
utilizarem a metodologia de Favero e Belfiore (2015), foi apurado que a variável
eficiência operacional explica 44,49% do desempenho, sendo que tal resultado evidencia
a necessidade de se promover uma melhor administração dos hospitais analisados.
 128

O setor de tecnologia apresentou níveis de significância para as três variáveis

analisadas, no caso nível de significância de 1%, 1% e 10% para o CFROA, CFROE e
CFROIC. Tais observações podem ser corroboradas ao analisar o trabalho de Lima et al.
(2021) ao compararem diversos indicadores, antes e depois do período da pandemia em
nove empresas, listadas na B3 do setor de e-commerce, no período de 2018 a 202. Os
autores concluíram que algumas empresas, como, por exemplo, as Americanas,
registraram prejuízo, visto que tal atividade não estava sendo rentável e, por outro lado,
o Boticário havia apresentado lucro nesta modalidade. Desse modo, dependendo da
empresa analisada, há tanto crescimento como queda no seu desempenho.

Acerca do setor de utilidades, este apresentou nível de significância de 5% do

CFROE (-0,0109). Trojan et al. (2020), ao analisarem dez empresas listadas na B3, de
2015 a 2018, observaram que a variável ROE não apresentou significância. Quanto à
variável eficiência operacional, especificamente para este setor, Maeda et al. (2010)
avaliaram a importância deste indicador, via utilização do EBITDA, e concluíram que tal
variável não era calculada de maneira correta, dentro das normas contábeis previstas, e
que não poderia servir para medir a eficiência operacional. No caso, os resultados
observados nesta pesquisa apontam que ocorre um dado nível de significância de 5%,
dando relevância aos dados apurados.

6.2.2 Variável LIQ

Ao executar a regressão do CFROA, CFROE e CFROIC (GERAL), para toda a
amostra, tendo como variável independente LIQ, chegou-se aos seguintes resultados:
0,0001; -0,0036 e 2,194, respectivamente.

Ao analisar os setores, notou-se que, no setor de consumo discricionário, as

correlações foram positivas para o CFROA e CFROE e negativa para o CFROIC, sendo
que nenhuma delas apresentou grau de significância. Neste setor, tanto o CFROE
(0,0248) quanto o CFROIC (-0,058) em muito divergiu das regressões da amostra. No
setor de consumo padrão, as três variáveis apresentaram correlação positiva, o CFROA
(0,0351) apresentou nível de significância de 5%, enquanto o CFROIC apresentou nível
de significância de 10%, sendo que o valor observado pelo ROIC sobressaiu em
comparação com as outras variáveis. Para o setor de energia, não se observou nenhum
nível de significância, sendo que o CFROA (-0,0004) e CFROI (-0,0515) apresentaram
correlação negativa e somente o CFROE (0,0002) correlação positiva. O setor
imobiliário, também, não observou nível de significância para as variáveis. No entanto o
 129

valor apurado no CFROIC (23,0314) apresentou substancial relevância ao comparar os

resultados das outras variáveis. No caso do setor industrial, não foi apresentado nenhum
nível de significância das variáveis, sendo que o CFROIC (2,8621) foi a variável que
revelou maior correlação em comparação com as outras; já o setor de material básico
apresentou correlação positiva para as variáveis analisadas, sendo que, para o CFROA
(0,0121), o nível de significância foi de 1% e para o CFROIC (0,0726), nível de
significância de 5%. CFROA (0,0121) foi a única variável que apresentou maior
correlação em relação ao observado na amostra. O setor de saúde também não obteve
nenhum nível de significância, sendo que somente o CFROIC (-0,1106) apresentou
correlação negativa. O setor de tecnologia apresentou correlação positiva para o CFROA
e CFROIC, sendo que somente este apresentou grau de significância de 1% e o melhor
resultado em comparação com as outras variáveis. O setor de telecomunicação, por sua
vez, apresentou correlação positiva para a três variáveis, sendo que, para o CFROA,
apresentou nível de significância de 10% e para o CFROIC, de 1%, e o CFROIC (0,0367)
apresentou maior correlação. Por último, o setor de utilidades apresentou correlação
negativa para as três variáveis, sendo a mais relevante delas o CFROIC (-0,778), sem
apresentar nenhum grau de significância. Tais valores são apresentados na tabela 9,
abaixo.

Tabela 9- Resultados da regressão LIQ x CFROA/CFROE/CFROIC por setor

LIQ
CFROA CFROE CFROIC
Geral 0,0001 -0,0036 2,194
Discric 0,0027 0,0248 -0,0058
Padrao 0,0351** 0,0437 0,1578*
Energia -0,0004 0,0002 -0,0515
Imob 0,0047 -0,077 23,0314
Ind 0,0038 0,0305 2,8621
Mat Bas 0,0121*** 0,0015 0,0726**
Saude 0,0004 0,0014 -0,1106
Tecnol 0,00004 -0,024 0,1086***
Telecom 0,0007* 0,0002 0,0367***
Util -0,0034 -0,0054 -0,778
Fonte: Resultados da Pesquisa.

Assim, a partir dos dados da tabela 9, foi gerado o gráfico 2 abaixo.

 130

Gráfico 2 - LIQ x CFROA/CFROE/CFROIC por setor

25

20

15

10

-5

Liq CFROA Liq CFROE Liq CFROIC

Fonte: Resultados da Pesquisa

Observa-se que o CFROIC apresenta correlação mais substancial em comparação

ao ROE e ROA, nos setores imobiliário e industrial, sendo que, no caso deste último,
apresentou um CFROIC positivo, ao considerar a variável Liuidez. Em relação ao setor
imobiliário, no tocante ao setor de construção civil, Eckert, Pioner e Mecca (2018)
concluíram que empresas do setor de construção civil, no período de 2007 a 2016,
observaram uma queda nos seus índices financeiros, entre os quais o de Liquidez, dadas
as recessões ocorridas no período, o que não foi comprovado neste trabalho, uma vez que
o período analisado é diferente. De Andrade et al. (2020), por sua vez, analisaram o
desempenho de três empresas de capital aberto, deste setor, no período de 2009 a 2018, e
concluíram que tais empresas apresentaram bom desempenho, em relação à Liquidez,
com a observação de que tal fato poderia ocorrer em função de uma diminuição dos
investimentos. Porém, em relação ao setor industrial, Costa et al. (2021) analisaram o
desempenho financeiro deste setor, especificamente o subsetor das empresas de produtos
de higiene e limpeza na B3, no caso, as empresas Bombril S. A. e Natura Cosméticos, no
período da pandemia. Foi verificado, em relação ao ROIC, um melhor desempenho por
parte da Bombril em comparação a Natura, sinalizando que a primeira empresa possui
mais capacidade de gerar lucro. Quanto à Liquidez, a Natureza apresentou melhor índice
em comparação a Bombril.

Quanto aos níveis de significância apurados nesta regressão, há o destaque para

alguns setores descritos a seguir. O setor de consumo padrão apresentou nível de
 131

significância de 5% e 10 % para CFROA e CFROIC. Silva e Nunes (2022) analisaram 10

empresas do setor de consumo cíclico, entre 2010 e 2020, vislumbrando o desempenho
financeiro através dos índices de Liquidez e rentabilidade. Os autores concluíram que
algumas empresas apresentaram aumento nos seus índices de Liquidez no período de
2019 a 2020, devido à necessidade de capital de terceiros para suprir seu endividamento,
o que comprometeu o ROA. Tal observação é corroborada pelo resultado desta pesquisa.
Por sua vez, quanto ao ROIC, Dias e Jacques (2022) analisaram a adoção de políticas de
incentivo à inovação com reflexos no desempenho financeiro, no caso de empresas
automobilísticas listadas na B3, no período de 2004 a 2018. Em relação à Liquidez, os
autores atestaram melhores índices, no período de 2009, 2010, 2013 e a partir de 2016, o
que está de acordo com os resultados observados. O ROIC observado para estas empresas,
por seu turno, foi negativo, no período de 2004 a 2018, o que está em desacordo com o
observado na pesquisa. Tal ponderação tem como motivo, possivelmente, a análise ter
sido feita somente sobre um subsetor específico. Como resultado dos indicadores de
Liquidez, pode-se observar que os melhores índices foram nos anos de 2009, 2010, 2013
e 2016 adiante.

O setor de material básico apresentou nível de significância de 1% para o CFROA

e de 5% para o CFROIC. Silva et al. (2021) analisaram o desempenho financeiro, entre
outros tipos de desempenho de doze empresas do subsetor de material de embalagem que
faz parte do setor mencionado, entre 2013 e 2017. Os resultados foram divergentes, uma
vez que cada empresa apresentava um comportamento diferente. No caso, segundo os
autores, tiveram destaque a empresa Klabin S.A., sobressaindo no seu índice de
LIQuidez, a Vale S.A., que apresentou o melhor resultado, e também a Bradespar S.A.,
estando tais conclusões de acordo com o apresentado nesta pesquisa. Quanto ao CFROIC,
Di Domenico et al. (2013) buscaram identificar diferenças relevantes entre as variáveis
econômico-financeiros entre as empresas que evidenciaram o relatório de
sustentabilidade em 2010 nas empresas listadas na B3, levando em conta a LIQuidez,
estrutura de capital e rentabilidade. Os autores concluíram que empresas que
evidenciaram o Global Reporting Initiative (GRI) apresentaram melhores índices de
Liquidez e rentabilidade. Ao observarem o ROIC, citaram que as empresas que divulgam
gastos elevados em relação ao controle ambiental apresentaram melhor resultado no
ROIC. Tal observação se faz pertinente devido ao fato de que as empresas participantes
 132

deste setor muitas vezes são consideradas poluidoras e tais observações corroboram os
resultados apresentados nesta pesquisa.

Para o setor de tecnologia, levando em conta a relevância do ROIC, com nível de

significância de 1%, cabe citar o artigo referente a empresas estelares que, segundo
Ayyagari et al. (2018), diz respeito a empresas que integram um grupo de 10% das
grandes organizações com maior Retorno Sobre o Capital Investido (ROIC) em qualquer
ano. Os autores identificaram ao analisar este tipo de empresa, numa amostra de 1.656
empresas, no período de 2012 a 2018, que as empresas Intelbras e TIVIT que estão
listadas na B3, apresentaram valores positivos apurados pela variável ROIC , estando de
acordo com o que foi observado nesta pesquisa.

Quanto ao setor de telecomunicação, Silva e Santos (2015) buscaram analisar o

desempenho financeiro e seu impacto no valor de mercado das empresas de telefonia, no
período de 2002 a 2012, listadas na BM&FBOVESPA, a saber, TIM, Vivo, Embratel e
OI. No caso, as variáveis de mensuração, entre elas ROI e ROE, não apresentaram
capacidade de explicar o valor de mercado da empresa. Quanto ao ROIC, não foi
observado nenhum registro. Contudo os autores analisaram o indicador denominado
RROI, que mais se assimila ao conceito do ROIC, pois se trata, segundo Leite e Santos
(2013), do Residual Return of Investment, que mensura se o retorno dos investimentos foi
além do que foi almejado pelos shareholders. Os resultados obtidos na pesquisa indicam
correlação negativa com o objetivo da pesquisa. Tais observações citadas, embora possam
servir de referência, não corroboram os resultados obtidos nesta pesquisa uma vez que o
período de tempo analisado pode ter comprometido os respectivos resultados.

6.2.3 Variável ENDIV

Ao executar a regressão do CFROA, CFROE e CFROIC (GERAL), para toda a
amostra, tendo como variável independente ENDIV, obtiveram-se os seguintes
resultados: -0,0232; -0,2027 e 5,038 respectivamente.

Ao analisar os valores obtidos na regressão, apresentados no gráfico 04, percebe-

se que o setor de consumo discricionário apresentou correlação negativa somente para o
CFROA, sendo que não foi observado qualquer grau de significância. Já no setor de
consumo padrão, todos os valores observados apresentaram correlação negativa, sendo
que o CFROA (-0,875) exibiu nível de significância da ordem de 1% e o CFROIC (-
0,3257), de 10%. Por sua vez, o setor de energia igualmente apresentou correlação
 133

negativa para as três variáveis, porém em todas apresentou níveis de significância, no

caso, CFROA (- 0,l0612) com nível de 5%; CFROE (-0,1599) com 10%; e o CFROIC (-
0,5067) com 10%, de modo que, para este setor, a questão do endividamento é relevante.
Quanto ao setor imobiliário, excetuando o CFROIC, todas as outras variáveis
apresentaram correlação negativa, sendo que nenhuma delas apresentou grau de
significância. Porém o resultado apurado para o CFROIC (10,9917) mais uma vez destoa
dos resultados já observados, dando ênfase a sua importância para este setor. Para o setor
industrial, todas as correlações também se apresentaram negativas, sem nível de
significância, com o destaque para o CFROIC (-6,1749) que se apresentou com destaque
para o setor. Quanto ao setor de material básico, apenas o CFROE apresentou correlação
positiva. Porem tanto o CFROA (-0,0592) quanto o CFROIC (0,167) demonstraram
níveis de significância de 1% e 10%, respectivamente. O setor de saúde apresentou
correlação negativa para as três variáveis, sendo que somente o CFROA (-0,0403)
apresentou nível de significância da ordem de 5%. Quanto ao setor de tecnologia, não foi
observado qualquer grau de significância, sendo que as três variáveis apresentaram
correlação positiva. Quanto ao setor de telecomunicação, as três variáveis apresentaram
correlação positiva, sendo que foi verificado, somente, nível de significância de 1% para
o CFROE (0,5222). E, quanto ao setor de utilidades, somente o CFROA apresentou
correlação negativa, não havendo nível de significância para nenhum das variáveis. No
caso, os dados são apresentados na tabela 10 abaixo.

Tabela 10- Resultados da regressão ENDIV x CFROA/CFROE/CFROIC por setor

ENDIV
CFROA CFROE CFROIC
Geral -0,0232 -0,2027 5,038
Discric -0,0284 0,0995 1,0372
Padrao -0,875*** -0,2759 -0,3257*
Energia -0,0612** -0,1599* -0,5067*
Imob -0,0342 -3,5655 10,9917
Ind -0,0183 -0,8222 -6,1749
Mat Bas -0,0592*** 0,2505 -0,167*
Saude -0,0403** -0,0263 -0,5318
Tecnol 0,0627 1,0326 1,5059
Telecom 0,0335 0,5222* -0,022
Util -0,0221 0,1799 5,5984
Fonte: Resultados da Pesquisa.

Assim, com base nos dados acima da tabela 10, foi elaborado o gráfico 03.
 134

Gráfico 3 - ENDIV x CFROA/CFROE/CFROIC por setor

12
10
8
6
4
2
0
-2
-4
-6
-8

ENDIV CFROA ENDIV CFROE ENDIV CFROIC

Fonte: Resultados da Pesquisa.

Embora alguns setores tenham apresentado níveis de significância, ao se observar

o gráfico, nota-se a correlação entre o endividamento e a variável CFROIC para os setores
imobiliário, material básico e utilidades, com destaque para o CFROE para o setor
imobiliário. Para o setor imobiliário, levando em conta a construção civil, Lima, Oliveira
e Rodrigues (2017) observaram que os indicadores de desempenho econômico-financeiro
nas empresas de construção civil, no período de 2010 a 2015, de 17 empresas listadas na
BM&F Bovespa, demonstraram variações significativas, tendo em vista que o ano de
2015 foi relevante dado o aumento do endividamento, tendo reflexo nos resultados e
impactando no resultado líquido e nas taxas de retorno. Por sua vez, Costa et al. (2017)
apontaram que valores maiores do ROE ocorrem quando a empresa se encontra em
estágio de maturidade, que, segundo Quinn & Cameron (1983) e Miller & Friesen (1984),
ocorre quando as empresas se encontram num patamar de expansão, isto é, aumento do
investimento, via empréstimos e financiamentos, assim, endividando-se, no caso,
apontando a correlação negativa do CFROE para com o endividamento. Quanto ao
CFROIC, Ziroldo et al. (2020) atestaram na sua pesquisa que valores mais elevados do
ROIC, conforme observado no trabalho, apresentaram-se na fase de introdução ou
crescimento. No primeiro caso, introdução, a empresa busca se tornar viável, pois se trata
de um estágio inicial. Já no segundo caso, crescimento, trata-se de uma fase em que há
crescimento das vendas e novos investimentos. Contudo, no presente trabalho, não foi
 135

determinada a fase em que se encontram estas empresas, tendo, assim, um resultado

inconclusivo sobre o estágio das empresas do setor de construção civil. Para o setor de
matérias básicos, no caso, observando o setor siderúrgico especificamente, Oliveira et al.
(2019), ao analisar 10 empresas siderúrgicas e metalúrgicas, listadas na B3, no período
de 2006 a 2015, observaram que o ROA e o ROIC de 2009 a 2015 apresentaram um viés
de queda ao longo do tempo, assim como um aumento no endividamento no mesmo
período. Quanto ao setor de utilidades, no caso da rentabilidade, Faustino et al. (2019),
ao analisarem a rentabilidade, endividamento e Liquidez de empresas estatais e privadas
do setor elétrico brasileiro, no período de 2003 e 2013, concluíram que as empresas
privadas apresentavam maior rentabilidade, analisando o ROA, ROE e ROIC, ainda, um
menor endividamento em comparação com as empresas estatais.

O setor de consumo padrão apresentou grau de significância de 1% e 10%

respectivamente para as variáveis CFROA (-0,875) e CFROIC (-0,3287). Teixeira et al.
(XXX) analisaram o desempenho econômico-financeiro do setor de consumo cíclico e
não cíclico, das empresas listadas na B3. Os autores fizeram a subdivisão em quatro
períodos (2009–2011; 2012–2014; 2015–2017; e 2018–2020) e observaram que os
índices de rentabilidade não apresentaram diferenças entre os setores de consumo. Foi
ressaltado, porém, que, no caso do setor de consumo cíclico, os resultados foram maiores,
sendo que oscilavam positivamente e negativamente de acordo com o desempenho da
economia. Este setor também apresentava um aumento significativo do endividamento, o
que está de acordo com o apresentado nesta pesquisa. Quanto ao ROIC, a literatura não
apresentou um estudo que utilize tal indicador como base.

O setor de energia apresentou níveis de significância para as três variáveis

analisadas, sendo elas CFROA ( -0,0612) com nível de 5% e CFROE (-0,1599) e CFROIC
( -0,5067) com níveis de significância de 10%. Furtado e Fodra (2020) analisaram 110
empresas de capital aberto, do setor elétrico, sendo 100 empresas de capital aberto,
listadas na B3, entre 2009 e 2017 e 10 empresas públicas. Concluíram que tanto o ROA,
ROE e ROIC apontaram que as empresas privadas possuem melhores índices de
rentabilidade em comparação com as públicas. Por sua vez, Faustino et al. (2019), ao
analisar os índices de rentabilidade, endividamento e Liquidez de empresas estatais e
privadas do setor elétrico brasileiro, entre 2003 e 2013, concluíram, por sua vez, que as
empresas públicas se encontravam menos endividadas do que as empresas privadas. Na
presente pesquisa, tal informação é verificada, sendo que tal fato é decorrente do próprio
 136

processo de privatização ocorrido que levou as empresas a se endividarem em função dos

novos investimentos a serem executados. Por sua vez, Lima e Martins (2021), ao
analisarem a estrutura de capital sobre a rentabilidade das empresas do setor de energia
elétrica listadas na B3, concluíram que não foram observados indícios significativos de
que o endividamento influencia o ROA e o ROE, porém observou-se impacto positivo do
endividamento de curto prazo e negativo do endividamento de longo prazo. No caso desta
pesquisa, tais observações não podem ser comprovadas em função de não ter
discriminado a questão do endividamento no curto e no longo prazo.

O setor de saúde apresentou nível de significância de 5% no CFROA (-0,0403).

Tal observação vai de acordo com Sobreira (2022), ao estudar o desempenho econômico-
financeiro das empresas listadas do setor de saúde, antes e depois da pandemia. O autor
concluiu que as empresas conseguem arcar com seus compromissos de curto e de longo
prazo. Porém, ao analisar cada subsetor, foi destacado que o de serviços médico-
hospitalares apresentou baixo desempenho e aumento na participação de capital de
terceiros; já o subsetor de equipamentos hospitalares, embora tenha apresentado um
melhor desempenho, apresentou forte dependência de capital de terceiros dada a elevada
procura por equipamento em função da pandemia.

O setor de material básico apresentou CFROA (-0.0592) e CFROIC (-0,167) com

níveis de significância de 1% e 10% respectivamente. No caso, Ié et al. (XXXX)
estudaram o desempenho financeiro, em relação à política de distribuição de dividendos
de firmas 22 firmas internacionalizadas e 8 não internacionalizadas, listadas na B3, no
período de 2012 a 2018 do setor de material básico. No caso do endividamento, esta foi
uma das características das empresas internacionalizadas, dada a necessidade de
investimentos, uma vez que necessita operar em escala internacionalmente. Quanto ao
ROA, este não apresentou relevância no desempenho destas empresas, e, por sua vez, o
ROIC apresentou correlação negativa.

Quanto ao setor de telecomunicações, este apresentou nível de significância de

10% para o CFROE (0,522). Segundo Weschenfelder et al. (2023), ao analisarem a
relação entre a pandemia e o desempenho financeiro das empresas do setor de
telecomunicação, listadas na b3, entre 2018 e 2020, observaram que, no caso do ROE, as
empresas apresentaram resultados diferentes e citaram que a maioria das empresas
apresentaram resultados constantes. Porém a empresa OI apresentou resultado positivo
em 2018 e posteriormente devido ao aumento nas suas despesas, assim como a Telebrás.
 137

Em relação à questão do endividamento, os autores concluíram que demandaram capital

de terceiros, exceto a Telefônica que se utilizou de capital próprio.

6.2.4 Variável IMOB

Ao executar a regressão do CFROA, CFROE e CFROIC (GERAL), para toda a
amostra, tendo como variável independente IMOB, foram obtidos os seguintes resultados:
--0,0039; 0,1676 e -3,256 respectivamente.

Quanto ao setor de consumo discricionário das três variáveis, somente o CFROIC

apresentou correlação negativa, nível de significância de 1%, sendo que as demais
variáveis não apresentaram nenhum nível de significância. Quanto ao consumo padrão,
somente o CFROA apresentou correlação positiva, sendo que nenhuma das variáveis
apresentou nível de significância. Quanto ao setor de energia, o CFROIC apresentou
correlação negativa variando substancialmente em relação ao observado pela análise do
grupo, sendo que o CFROE apresentou nível de significância de 5%. Por sua vez, o setor
imobiliário, embora não apresentando níveis de significância nas três variáveis, revelou
um valor discrepante aos observados no CFROIC (189,0213). Quanto ao setor industrial,
também se pode salientar que o valor observado no CFROIC (17,0366) apresentou
relevância, embora somente o CFROE tenha tido correlação positiva, sendo que nenhum
deles veio a apresentar nível de significância. Quanto às variáveis do setor de material
básico, somente o CFROE apresentou correlação negativa, com destaque para a
observação de nível de significância de 5% para esta variável. O setor de saúde apresentou
somente correlação negativa para o CFROIC, sendo que para o CFROE apresentou nível
de significância de 5%. O setor de tecnologia da informação apresentou CFROE com
correlação positiva, enquanto as outras variáveis apresentaram correlação negativa, com
destaque para o CFROIC com nível de significância de 1%. Quanto ao setor de
telecomunicações, não foi observado nível de significância para as variáveis, sendo que
somente o CFROA apresentou correlação positiva. E quanto ao setor de utilidades, todas
as três variáveis apresentaram correlação negativa, sendo que o CFROIC obteve nível de
significância de 5%. Esses valores são apresentados na tabela 11 abaixo.
 138

Tabela 10- Resultados da regressão IMOB x CFROA/CFROE/CFROIC por setor

IMOB
CFROA CFROE CFROIC
Geral -0,0039 0,1676 -3,256
Discric 0,0417 0,3105 -1,6987*
Padrao 0,0521 -0,0577 -0,0073
Energia 0,0212 0,1549** -1,1985
Imob 0,3152 -3,032 -189,0213
Ind -0,0394 0,476 -17,03665
Mat Bas 0,0007 -0,0438** 0,2562
Saude 0,0679 0,1449** -0,4957
Tecnol -0,1894 2,2821 -5,8712***
Telecom 0,0309 -0,0229 -0,2146
Util -0,0087 -0,0908 -12,7809**
Fonte: Resultados da Pesquisa.

Assim, com base nos dados da tabela 11 apresenta-se o gráfico 04.

Gráfico 4– IMOB x CFROA/CFROE/CFROIC por setor

50

-50

-100

-150

-200

IMOB CFROA IMOB CFROE IMOB CFROIC

Fonte: Resultados da Pesquisa.

De todos os valores apurados nesta regressão, indubitavelmente, a relação entre o

CFROIC e o imobilizado apresentou uma elevada correlação negativa. Contudo a
literatura não apresenta uma discussão direta quanto ao impacto do imobilizado com o
CFROIC para o setor imobiliário. O trabalho de Dickinson (2011), todavia, analisou o
ciclo de vida das empresas do setor de construção civil, dividindo a Demonstração do
Fluxo de Caixa (DFC), em duas partes, a saber, a atividade operacional, que diz respeito
 139

à entrada e saída de recursos da empresa, e a atividade de investimento que trata da

compra e venda de imobilizados. Para ele, nas fases de introdução e crescimento, isto é,
quando a empresa está se consolidando, tal atividade, de investimento, é negativa. Por
sua vez, Ziroldo et al. (2020) apresentaram, em sua pesquisa referente ao setor de
construção civil, valores mais elevados do ROIC na fase de introdução ou crescimento, o
que é o contrário ao que foi observado em relação a Dickinson (2011) e em relação a este
trabalho. Tais observações não estão de acordo com o resultado desta pesquisa, haja vista
que as empresas da amostra são listadas na B3 e já se encontram num estágio, segundo o
autor, de maturidade.

Em se tratando do setor discricionário, que vislumbra o setor não cíclico, este

apresentou a variável CFROIC (-1,6987) com nível de significância de 10%.
Especificamente ao analisar o subsetor de carnes e derivados, que faz parte setor.
PROPEGadmin, P. (2019), analisou empresas deste mesmo subsetor, listadas na B3, no
ano de 2016 e 2017, que estiveram envolvidas na operação carne fraca, que diz respeito
a adulteração da carne falsificando a sua validade. Os autores analisaram a Marfrig, BRF
e JBS, sendo que a primeira apresentou o pior resultado. No caso da BRF, esta em 2016
não conseguiu apresentar retorno, o que impactou suas operações, porém, no ano
seguinte, a mesma retomou seus lucros, voltando, assim, a apresentar o devido retorno.
Já a JBS, embora estivesse apresentando o devido retorno, este se encontrava decrescente.
Tais constatações estão de acordo com o que apresentado nesta pesquisa.

Para o setor de energia, este apresentou nível de significância de 5% para o

CFROE (0,1549). Da Silva Neto et al. (2022) analisaram o desempenho econômico-
financeiro de 11 empresas, listadas na B3, no período de 1995 a 2006, que foram
privatizadas neste período, comparando seus indicadores antes e após a privatização. Para
os autores, o imobilizado destas empresas passa a ser diferenciado, dado que acabam
possuindo menos recursos em função de investimentos feitos em ativos de longo prazo
(imobilizados), diferentemente de quando eram estatais, com uma visão de curto prazo.
Quanto à questão do ROE, observou-se que as empresas privatizadas possuem
desempenho superior ao de estatais; no caso apresentaram p-valor de 0,088, com nível de
significância de 5%. Por sua vez, tal observação, segundo Cruz, Machado e Cunha (2018)
ocorre devido ao fato de que a privatização estimula novos investimentos, impactando
seus ativos e gerando riqueza futura.
 140

O setor de material básico também apresentou nível de significância da ordem de

5% para o CFROA (-0,0438). Oliveira et al. (2019) examinaram o desempenho
econômico-financeiro de 11 empresas, dos setores siderúrgico e metalúrgico, listadas na
B3, entre 2006 e 2015. Para servir de referência quanto ao desempenho, os autores
utilizaram como base o índice de poupança, por se tratar de um ativo de menor risco. Os
resultados observados foram que, no período de 2006 a 2010, o ROE das empresas fora
superior ao registrado pela poupança. Porém, em 2008, dada a crise, este caiu pela metade.
No ano de 2011, o ROE continuou sendo ligeiramente menor. Os autores citaram, ainda,
o impacto causado pelo prejuízo da empresa Mangels, comprometendo ainda mais o ROE
observado do setor. Especificamente quanto ao imobilizado, os autores pontuaram a
questão da imobilização do patrimônio líquido que aumentou dada a crise. No caso, tal
observação não está de acordo com o observado na pesquisa, referente ao imobilizado.
Isto ocorre em função do período temporal analisado em que os efeitos da crise já
apresentaram seus efeitos. Juntamente o setor de saúde também apresentou o mesmo
comportamento, com o mesmo nível de significância, 5%, na variável CFROE (0,1449).
Fernandes (2022) analisou o desempenho econômico-financeiro de uma amostra de 33
empresas com dados da Agência Nacional de Saúde (ANS) no período de 2015 a 2019.
A autora observou a existência de uma correlação significativa entre o ROA e a variação
do imobilizado. Contudo, tendo em vista que a presente pesquisa aponta a relevância do
ROE, a autora pontua que este oscilou significativamente quando comparado ao ROA,
indicador que possa vir a estabelecer um crescimento da es empresas. Tal contestação se
faz presente devido à possibilidade de se utilizar uma base de dados diferente da utilizada
nesta pesquisa, junto ao período temporal analisado que foi fortemente influenciado pela
pandemia.

O setor de tecnologia também apresentou nível de significância da ordem de 1%

para a variável CFROIC (-5,8712). No trabalho de Santos (2022), o autor analisou, entre
2020 e 2021, o desempenho econômico-financeiro de 11 empresas do setor de tecnologia
da informação, listadas na B3. O autor considerou, no seu estudo, a imobilização do
patrimônio líquido e o ROI. Quanto ao primeiro, foi observado o valor da mediana da
imobilização de 0,599, sendo que tal valor sugere que as atividades destas empresas são
financiadas em grande parte com capital próprio. Quanto ao ROI, a mediana foi de 3,519,
significando que as empresas deste setor apresentaram potencial para a remunerar os seus
 141

investimentos, sendo que, em função do que foi observado nesta pesquisa, os valores
apurados exibiram resultados inconclusivos.

Por último, tem-se o setor de utilidades que apresentou nível de significância de

5%, para o CFROIC (-12,7809). O estudo de Furtado e Fodra (2020) focalizou 110
empresas de capital aberto e fechado, do setor elétrico, listadas na B3. Em relação à
questão do imobilizado, os autores pontuam que as empresas públicas, dedicadas à
geração e transmissão necessitam de um maior volume de ativos imobilizados para suas
operações. Quanto à relação com o ROIC, este apresentou maiores resultados do que nas
empresas públicas. Embora a presente pesquisa não tenha levado em conta a temática
apresentada no artigo referido acima, os valores apurados, assim mesmo, não estão de
acordo com o observado no artigo. Tal fato pode ser justificado devido ao período
temporal analisado e também à questão da participação de empresas de capital fechado,
o que acaba diferenciando as amostras utilizadas.

6.2.5. Variável L NATIVO (Tamanho)

Ao executar a regressão do CFROA, CFROE e CFROIC (GERAL), para toda a
amostra, tendo como variável independente L NATIVO, obtiveram-se os seguintes
resultados: -0,0019; 0,06 e -0,3934 respectivamente.

Em relação à regressão do L NATIVO e as variáveis, o setor de consumo discricionário

apresentou somente correlação negativa no CFROIC (-1,6987) e ainda com grau de
significância de 10%. Já o setor de consumo padrão exibiu correlação negativa somente
para o CFROIC, sendo que o CFROE apresentou nível de significância de 5%. O mesmo
ocorreu para o setor de energia, não sendo constatado nível de significância em qualquer
das variáveis. Mais uma vez o valor observado pelo CFROIC (189,0213), no setor
imobiliário, destoou dos valores registrados ao longo da pesquisa, sendo que todas as
variáveis apresentaram correlação positiva, mas nenhuma delas apresentou nível de
significância. Quanto ao setor industrial, as três variáveis apresentaram correlação
negativa, e o CFROE (-0,2749) foi o único que apresentou nível de significância de 5%.
O setor de material básico apresentou correlação positiva para as três variáveis, sendo que
nenhuma delas obteve nível de significância. O setor saúde apresentou correlação positiva
somente para o CFROA, frisando que o CFROE (-0,0221) obteve nível de significância
de 10%. Para o setor de tecnologia, somente o CFROE apresentou correlação positiva
com nível de significância de 1%, assim como o CFROIC que teve o mesmo nível de
significância. Quanto aos setores de telecomunicação e utilidade, para ambos, foi
 142

observada somente correlação positiva para o CFROE, e apenas o setor utilidades no

CFROIC (-12,7089) apresentou nível de significância de 5%. Tais valores são
apresentados na tabela 12 abaixo.

Tabela 11- Resultados da regressão L NATIVO x CFROA/CFROE/CFROIC por setor

L NATIVO
CFROA CFROE CFROIC
Geral -0,0019 0,06 -0,3934
Discric 0,0417 0,0326 -1,6987*
Padrao 0,0521 0,1187** -0,0073
Energia 0,0212 0,0144 -1,1985
Imob 0,3152 0,6027 -189,0213
Ind -0,0394 -0,2749** -17,0365
Mat Bas 0,0007 0,07 0,2562
Saude 0,0679 -0,0221* -0,4957
Tecnol -0,1894 0.7657*** -5,8712***
Telecom -0,0309 0,6169 -0,2146
Util -0,0087 0,0288 -12,7809**
Fonte: Resultados da Pesquisa.

Assim, com base nos dados da tabela 12 foi gerado o gráfico 5.

Gráfico 5– L NATIVO x CFROA/CFROE/CFROIC por setor

50

-50

-100

-150

-200

L NATIVO CFROA L NATIVO CFROE L NATIVO CFROIC

Fonte: Resultados da Pesquisa

Quanto aos níveis de significância, o primeiro a se destacar foi o setor de consumo

cíclico com nível de significância de 10%, na variável CFROIC (-0,3934). Moschetta e
Souza (2020) realizaram um estudo visando observar o impacto da política econômica
 143

nos investimentos de 380 empresas, sendo 58 empresas do setor cíclico listadas na B3,
entre 2010 e 2018. No caso, observaram que, no total das empresas analisadas, a relação
proposta não apresentou significância estatística, e tal observação contraria o observado
nesta pesquisa; contudo cabe destacar que a amostra utilizada nesta pesquisa contempla
somente as empresas do setor analisado. Quanto às variáveis Tamanho e ROIC, ambas
apresentaram uma relação negativa com o montante dos investimentos corporativos, o
que, apesar da distinção, está de acordo com o observado.

O setor de consumo não cíclico também apresentou nível de significância de 5%

para o CFROE (0,1187). No caso, Zimmer et al. (2019) analisaram o desempenho
econômico-financeiro de empresas do setor agropecuário, listadas na B3, entre 2014 e
2016. Os autores constataram um ROE estatisticamente significativo da ordem de 0,738,
que está de acordo com o observado na pesquisa. Quanto à variável Tamanho, Chain e
Januzzi (2021) analisaram a relação da variável Tamanho com a distribuição de
dividendos, para 527 empresas listadas na B3, no período de 1996 a 2020, em se tratando
de empresas de capital aberto. Concluíram que o Tamanho é significativamente positivo
para todos os setores, entre os quais é citado o setor de consumo cíclico.

Para o setor industrial que apresentou nível de significância de 5%, Andrade et al.
(2020) analisaram 316 empresas, listadas na B3, considerando os setores regulados e não
regulados, no período de 2010 a 2018, relacionando a agressividade fiscal e sua
rentabilidade. No caso, os subsetores analisados foram: energia elétrica, petróleo e gás,
telecomunicações e transporte e mineração que se incorporam ao setor industrial. O
resultado observado pelos autores apresenta que a variável Tamanho apresenta correlação
negativa e significativa sobre o ROE e que também com as outras variáveis de
rentabilidade. Tal constatação está de acordo com o observado na pesquisa.

O setor de saúde também apresentou nível de significância de 10% em relação ao

CFROE (-0,0221). Tal observação pode ser observada no trabalho de dos Santos Carvalho
et al. baseado na premissa da Responsabilidade Social Empresarial (RSE), que, segundo
Moskowitz (1972), serve como referência para as empresas apresentarem um melhor
desempenho econômico-financeiro. Assim, a autora analisou 621 empresas entre 2015 e
2020, das empresas listadas no Índice de Sustentabilidade Empresarial (ISE) da B3 e do
indicador ESG utilizado pela Morgan Stanley Capital International (MSCI), que serve
como padrão para o RSE. Os resultados observados para o setor de saúde concluíram que
a variável ROE apresentou significância de 10%, sendo a correlação positiva; quanto à
 144

variável Tamanho, esta também apresentou significância em relação à variável ROA, mas
não especificamente ao ROE. Tais resultados assinalam o grau de significância da
relação, o que foi observado nesta pesquisa. Contudo tal correlação se apresentou
negativa, na pesquisa, dado que as bases utilizadas apresentaram diferentes empresas, o
que pode levar a resultados diferentes.

O setor de tecnologia apresentou nível de significância de 1% para o CFROE e

CFROIC. Com vistas a esta análise, o estudo de Santos (2019) analisou empresas de
varejo, listadas na B3, no período de XXX, sendo estas intensivas em tecnologia e
utilizando e-commerce, através dos modelos de negócio Business to Business (B2B) e
Business to Consumer (B2C). As empresas analisadas foram: B2W (Americanas,
Submarino e Shoptime), Via Varejo (Casas Bahia, Ponto Frio e Bartira) e Magazine
Luiza. Quanto aos resultados observados, o autor ponderou que o ROE do Magazine
Luiza foi superior ao da B2W e da Via Varejo. Já o ROIC apresentou valores positivos
para a B2W e a Magazine Luiza, e sendo negativo para a Via Varejo. Nos casos, tais
observações são inconclusivas com o resultado da pesquisa, já que, nesta, a análise
elaborada contemplou o setor e subsetores, ao contrário do estudo em que se analisou um
dado subsetor.

Por último, menciona-se o setor de utilidade que apresentou nível de significância

de 5% para o CFROIC (-12,7809). Carvalho (2019) analisou o desempenho econômico-
financeiro das empresas do setor de utilidade públicas, listadas na B3 entre 2005 a 2007
e 2010 a 2012, tendo em vista que estas adotaram o International Financial Reporting
Standards (IFRS). O autor conclui que, em relação ao ROIC, 75% das empresas tiveram
aumento nesta variável ao longo do período pré-IFRS, porém, para 87,5% das empresas
analisadas, observou-se uma diminuição nesta variável após o período pós-convergência.
Embora no segundo período tenha se observado uma diminuição no valor da variável,
estaria de acordo com o observado nesta pesquisa; contudo, dada a defasagem do período
temporal analisado, os resultados são considerados inconclusivos.
Quanto à questão específica da variável Tamanho, Leite et al. (2021) analisaram
o endividamento de curto e longo prazos para 55 empresas listadas na Bloomberg do setor
de utilidade pública, no período de 2008 a 2017. Os autores constataram que, no caso
desta variável, foi relevante para o endividamento de longo prazo, enquanto, no curto
prazo, não o foi. Embora tenha sido observada uma correlação, em relação a essa
pesquisa, o resultado foi inconclusivo.
 145

Acerca das regressões, observa-se, novamente, o comportamento do CFROIC no

setor imobiliário, sendo ele discrepante em relação aos outros resultados obtidos. No caso
específico da relação do CFROIC e da variável L NATIVO, cabe citar o estudo de Costa,
Macedo, Yokoyama e Almeida (2017) que, baseados no modelo de Dickinson (2011),
visaram determinar em qual estágio de ciclo de vida a empresa encontrar-se-ia utilizando
as variáveis contábil-financeiras. Os autores concluíram que alavancagem, distribuição
de dividendos, BtM, rentabilidade, Tamanho e crescimento das vendas são fatores que
poderão vir a determinar tal estágio, no caso, as empresas em estágio inicial apresentaram
menores lucratividade e Tamanho em relação a empresas já consolidadas. Da Silva et al.
(2018), ao analisar o desempenho financeiro de empresas de construção civil, listadas na
B3, no caso, após adotarem inovações nos seus processos, concluíram que o Tamanho
apresenta relação significativa com os índices, sendo que, de acordo com os resultados
apresentados nesta pesquisa, embora negativa, tal correlação se faça presente.

6.3 Análise da influência das variáveis macroeconômicas nas variáveis de

desempenho
Neste tópico, a análise está centrada na variação das três variáveis
macroeconômicas (PIB, IPCA e LFT) frente a diversas variáveis analisadas. Com vistas
a esta análise, apresentam-se os valores das respectivas variáveis no período estudado de
2016 a 2022, visando a uma melhor compreensão da conjuntura macroeconômica.
Embora a análise não seja observada sob o ponto de vista temporal, tais dados têm como
objetivo apresentar o cenário econômico neste período, de 2016 a 2022, de modo a
apresentar uma melhor compreensão dos resultados obtidos. Na tabela 13, abaixo, são
apresentados os valores das variáveis no período mencionado.

Tabela 12- Evolução das Variáveis Macroeconômicas

PIB (%) IPCA (%) LFT (%)

2016 -3,3 6,29 14,25
2017 1,3 2,95 11,25
2018 1,8 3,75 6,5
2019 1,2 4,31 6,5
2020 -3,3 4,52 3
2021 5,0 10,06 2,75
2022 2,9 1,56 13,25
Fonte: FGV e IBGE

A tabela 13 pode ser expressa no gráfico 6 abaixo.

 146

Gráfico 6– Evolução da Variáveis Macroeconômicas

16
14
12
10
8
6
4
2
0
-2 2016 2017 2018 2019 2020 2021 2022

-4
-6

PIB (%) IPCA (%) LFT (%)

Fonte: elaborado pelo autor.

Ao iniciar os resultados apurados, observa-se a variável CFROA. No caso do

PIB, este obteve o resultado da ordem de -0,4749, na regressão geral, com grau de
significância de 1%, apresentando uma correlação negativa. Em relação ao PIB, somente
os setores de tecnologia (-2,6548) e utilidades (0,9969) exibiram significância da ordem
de 5% e 1%, sendo que maioria dos outros setores apresentaram correlação negativa.
Quanto ao IPCA, este obteve na regressão geral o valor de 0,0002, sendo que não se
verificou nenhum grau de significância, nos setores analisados, apresentando correlação
positiva somente nos setores de consumo padrão, imobiliário e industrial. E por último,
tem-se a LFT que apresentou, na regressão geral, o valor de -0,2798, com grau de
significância de 5%. Nesta análise, os juros apresentaram correlação positiva e negativa,
na mesma proporção em relação aos setores. Contudo, entre as variáveis analisadas, esta
foi a que apresentou resultados setoriais com significância. No caso, os setores de energia,
tecnologia e telecomunicação apresentaram significância de 1%, consumo padrão de 5%
e materiais básicos de 10%.

6.3.1 Análise CFROA/Setor

Ao executar a regressão do CFROA, CFROE e CFROIC (GERAL), para toda a
amostra, tendo como variável independente as variáveis macroeconômicas (PIB, IPCA e
LFT), foram observados os resultados -0,4748; 0,0002 e -0,2798 respectivamente, sendo
 147

que a variável PIB apresentou nível de significância de 1% e a variável LFT, nível de

significância de 5%.

Ao analisar cada setor separadamente, constata-se que o setor discricionário

apresentou correlação negativa para as três variáveis, sem nenhum nível de significância.
O setor de consumo padrão já observa correlação positiva somente para o IPCA, havendo
nível de significância de 1% para a LFT (0,8806). Por sua vez, o setor de energia somente
apresentou correlação positiva para a LFT (0,7478), com nível de significância de 1%.
Quanto aos setores imobiliário e industrial, observou-se somente correlação negativa em
relação ao PIB, e nenhum deles apresentou nível de significância. O setor de material
básico apresentou correlação negativa para as três variáveis com nível de significância de
10% para a LFT (0,8616). O setor de saúde demonstrou correlação positiva somente para
o IPCA, sem apresentar nível de significância para nenhuma das variáveis. Quanto ao
setor de tecnologia, este apresentou correlação positiva somente para a LFT (1,0488) com
nível de significância de 1%. As outras variáveis apresentaram correlação negativa, com
destaque para o PIB (-2,6548) que apresentou nível de significância de 5%. Para o setor
de telecomunicação, somente o PIB apresentou correlação positiva, sendo que, para a
variável LFT (-2,2083), observou-se nível de significância de 1%. E, por último,
menciona-se o setor de utilidades que apresentou correlação positiva somente para a LFT,
sendo que, para a variável PIB (-0,9969), houve nível de significância de 1%. Os dados
apresentados acima são representados na tabela 14 abaixo.

Tabela 13- Resultados da regressão das Variáveis Macroeconômicas x CFROA por setor

CFROA
PIB IPCA LFT
Geral -0,4748 0,0002 -0,2798
Discric -0,1844 -0,0007 -0,1194
Padrao -0,5197 0.0022 -0,8806***
Energia -0,1962 -0,0003 -0,7478***
Imob -0,4121 0,0023 0,3819
Ind -0,7779 0,004 0,3582
Mat Bas -0,5931 -0,0016 -0,8616*
Saude 0,6861 -0,0025 0,3653
Tecnol -2,6548** -0,006 -1,0488***
Telecom 0,2163 -0,0117 -2,2083***
Util -0,9969*** -0,0002 0,2351
Fonte: Resultados da Pesquisa.
 148

Quanto aos resultados das correlações da tabela 14, estes são apresentados no
gráfico 7 abaixo.

Gráfico 7– Variáveis Macroeconômicas x CFROA por setor

1,5

0,5

-0,5

-1

-1,5

-2

-2,5

-3

CFROA PIB CFROA IPCA CFROA LFT

Fonte: Resultados da Pesquisa.

Silva, Bianchi e Queiroz (2018), ao analisar 261 empresas, não financeiras, no

período de 2011 a 2017, relacionaram os índices de rentabilidade e de crescimento
econômico, mensurado pelo PIB, e concluíram que o ROA serve como um meio de
apresentar um prognóstico futuro em relação ao crescimento ou não da economia, já que
uma redução neste indicador sinaliza queda no PIB real. Analisando os dados, observa-
se que, de acordo com Dewi, Soei e Sujoko (2019), as crises econômicas de 1998, 2008
e 2015 afetaram o desempenho dos setores, sendo que, no caso do ROA, segundo os
autores, o PIB foi a variável que mais influenciou os resultados das empresas, o que vai
de acordo com o observado na pesquisa. Ongeri (2014) analisou a relação entre variáveis
macroeconômicas e o desempenho de instituições não financeiras no Quênia, entre 2004
a 2013, com uma amostra de 112 empresas não financeiras. O autor ponderou que os
resultados observados mostram que o ROA apresenta uma relação positiva fraca, porém
estatisticamente significante, com as variáveis PIB, taxa de inflação e taxa de juros.
Contudo, nesta pesquisa, observou-se que a variável PIB, no caso, em relação ao ROA,
apresentou correlação negativa na maioria dos setores. Quanto à taxa de inflação foi
apresentada uma correlação positiva e negativa nos setores, indo de acordo com o autor
e o mesmo sendo observado no caso da LFT.
 149

Ao tratar da correlação entre o CFROA e as variáveis macroeconômicas,

determinados setores apresentaram nível de significância. O setor de consumo padrão
(cíclico) apresentou correlação com a taxa de juros (-0,8806) com nível de significância
de 1%. No caso, Oliveira et al. (2021) analisaram os indicadores de Liquidez,
endividamento, lucratividade e rentabilidade em relação aos indicadores
macroeconômicos, a saber, Produto Interno Bruto (PIB), taxas de câmbio, de juros, de
desocupação e de inflação, entre 2010 a 2020, de 58 empresas dos subsetores do setor de
consumo cíclico, listadas na B3. Os autores concluíram que existe uma correlação
significativa e negativa da taxa de juros com o ROA, já que um aumento na taxa de juros
provoca um aumento no endividamento das empresas, diminuindo a rentabilidade destas,
o que está de acordo com o observado nesta pesquisa.

Outro setor foi o de energia que apresentou nível de significância de 1% com a

taxa de juros (-0,7478). Neste caso, Pereira (2018) estimou os efeitos dos ciclos
econômicos em relação aos indicadores econômico-financeiros de 63 empresas
distribuidoras de energia elétrica, do site da Agência Nacional de Energia Elétrica
(ANEEL), entre 2010 e 2016. A autora concluiu que, em cenário recessivo, o ROA é
influenciado pela taxa de juros apresentando correlação negativa com nível de
significância. Tal constatação também está de acordo com o observado nesta
investigação.

O setor de material básico também apresentou nível de significância de 1% com

a taxa de juros (1.0488). Para este setor, por sua vez, não foram observados estudos mais
específicos. Serviu de base, todavia, o estudo de Andrade (2020) que selecionou empresas
do setor não financeiro, entre 2019 e 2020, listadas na B3, que buscou observar as relações
das variáveis macroeconômicas PIB, taxa de inflação e de juros, com indicadores de
rentabilidade, no caso ROA e ROE. A autora concluiu que, no caso do setor de material
básico, este apresentou correlação negativa com nível de significância de 10%, dado que
também está de acordo com o apurado nesta pesquisa.

A mesma autora analisou os setores de tecnologia e telecomunicações. No caso, o

primeiro setor apresentou correlação com a taxa de juros (-1,0488) com nível de
significância de 1% e com o PIB (-2,6548), com nível de significância de 5%. O setor de
telecomunicações apresentou correlação com a taxa de juros (-2,2083) com nível de
significância de 1%. No caso do setor de tecnologia da informação e do setor de
telecomunicação, a autora observou que, em relação ao ROA, a taxa de juros, embora não
 150

tenha sido observada relevância estatística, apresenta correlação negativa. Quanto ao PIB,
a autora concluiu que há uma correlação positiva entre esta variável e o ROA, o que não
foi observado nesta pesquisa. Quanto ao setor de utilidades, a autora destaca que este
setor apresenta relação com nível de significância de 1% com correlação negativa,
elemento que está de acordo com o observado neste estudo.

6.3.2 Análise CFROE/Setor

Ao executar a regressão do CFROA, CFROE e CFROIC (GERAL), para toda a
amostra, tendo como variável independente as variáveis macroeconômicas (PIB, IPCA e
LFT), foram observados os resultados -3,163; -0,0219 e -3,541 respectivamente, sendo
que a variável LFT apresentou nível de significância de 5%.

Em relação ao CFROE, no setor de consumo discricionário, somente a variável

IPCA apresentou correlação negativa, sendo que a variável PIB (0,1792) obteve nível de
significância de 10%. Quanto ao setor de consumo padrão, todas as variáveis
apresentaram correlação negativa, sendo que a variável LFT (-10,4805) apresentou nível
de significância de 10%. Para o setor de energia, somente a variável LFT (-2,78)
apresentou correlação negativa, por sua vez, com nível de significância de 10%. O setor
imobiliário não apresentou nível de significância, sendo que as três variáveis
apresentaram correlação negativa. Já o setor industrial, embora, também, não tenha
apresentado nível de significância para nenhuma das três variáveis, apresentou somente
correlação negativa para a variável LFT. Quanto ao setor de material básico, foram
observadas correlações negativas para as três variáveis, sendo que somente a variável
LFT (-12,598) apresentou nível de significância de 5%. O setor de saúde não apresentou
nível de significância em nenhuma das variáveis, sendo observada somente correlação
positiva para a variável PIB. Por sua vez, tanto o setor de tecnologia quanto o de
telecomunicação exibiram comportamentos semelhantes em relação ao comportamento
das três variáveis; inicialmente, nenhum deles apresentou nível de significância, sendo
que somente a variável IPCA demonstrou correlação positiva. E quanto ao setor de
utilidades, somente a variável PIB (-33,593) apresentou correlação negativa com nível de
significância de 1%. Os dados mencionados acima estão representados na tabela 15.
 151

Tabela 14- Resultados da regressão das Variáveis Macroeconômicas x CFROE por setor

CFROE
PIB IPCA LFT
Geral 3,163 -0,0219 -3,541
Discric 0,1792* -0,0762 4,2118
Padrao -17,1942 -0,682 -10,4805*
Energia 0,4315 0,0049 -2,78*
Imob -8,9851 -0,0098 -2,3066
Ind 1,338 0,0648 -4,1959
Mat Bas -24,887 -0,0239 -12,958**
Saude 1,7132 -0,0029 -1,199
Tecnol -21,9495 0,105 -27,1084
Telecom -2,1027 0,0467 -27,7646
Util -33,953*** 0,0021 0,8167
Fonte: Resultados da Pesquisa.

Com base nos dados apresentados na tabela 15 foi gerado o gráfico 8.

Gráfico 8– Variáveis Macroeconômicas x CFROE por setor

10
5
0
Geral Discric Padrao Energia Imob Ind Mat Bas Saude Tecnol Telecom Util
-5
-10
-15
-20
-25
-30
-35
-40

CFROE PIB CFROE IPCA CFROE LFT

Fonte: Resultados da Pesquisa.

Quanto às análises das variáveis em relação ao ROE, segundo Jacques et al.

(2020), ao examinar o desempenho dos setores listados na B3, foi notado que, em relação
ao ROE, a inflação (IPCA) apresenta pouca correlação em relação quanto aos indicadores
econômico-financeiro, havendo, segundo eles, correlação negativa com os setores de
Bens Industriais (Ind), Materiais Básicos e Petróleo e Gás (Util), o que não foi observado
na pesquisa. Quanto à variável LFT (juros), os autores ponderaram que os setores que
 152

mais demandam capital de terceiros, no caso os de bens industriais, petróleo e gás e

telecomunicações, apresentaram correlação negativa. Foi observado, nesta pesquisa,
todavia, que, para esta variável, os setores de tecnologia e telecomunicações foram os
mais afetados. Em relação à variável PIB, para o ROE, os autores citaram a correlação
positiva observada na maioria dos setores. Contudo, na presente pesquisa, observa-se que
há determinados setores que apresentam resultado contrário ao observado pelos autores,
principalmente nos setores de telecomunicação e utilidades.
No mesmo sentido, a relação das variáveis macroeconômicas com o CFROE para
determinados setores também apresentou níveis de significância. No caso, os setores
foram: o de consumo discricionário – cíclico apresentou correlação positiva, com nível
de significância de 10% com o PIB (0,1792), juntamente ao setor de utilidade pública (-
33,953) com nível de significância de 1%. Para a variável juros, os setores padrão – não
cíclico (-10,4805); energia (-2,78) e materiais básicos (-12,958) apresentaram correlação
negativa, com níveis de significância de 10%, 10% e 5%, respectivamente.

O trabalho de Jacques et al. (2020) analisou as relações entre os indicadores de

Liquidez, Rentabilidade e Estrutura de Capital dos segmentos listados na B3, no período
de XXX e as variáveis macroeconômicas Inflação, Câmbio, Emprego, Taxa de Juros e
PIB. No caso, os autores assinalaram a relevância na distinção entre um setor e outro,
dado o comportamento de cada um deles em relação às variáveis analisadas. O setor de
consumo cíclico apresenta um desempenho ruim devido à possível queda no consumo e
na renda. Já o setor de consumo não cíclico, por se tratar de produtos essenciais, não
apresentou esse problema. Os autores, no entanto, ao correlacionarem as variáveis
macroeconômicas como o ROE nos setores acima, não observaram qualquer correlação,
o que está em desacordo com o observado nesta pesquisa. Por sua vez, Andrade (2020)
analisou a relação entre os indicadores macroeconômicos: PIB, inflação e taxa de juros e
os seus efeitos sobre o ROA e ROE, das empresas listadas na B3, não pertencentes ao
setor financeiro, entre 2010 a 2019. A autora concluiu que existe tal correlação, sendo
que os resultados apurados estão de acordo com o apurado nesta pesquisa em relação às
correlações, variando somente o nível de significância caso a caso.

6.3.3. Análise CFROIC/Setor

Ao executar a regressão do CFROA, CFROE e CFROIC (GERAL), para toda
a amostra, tendo como variável independente as variáveis macroeconômicas (PIB, IPCA
e LFT), foram observados os seguintes resultados: -26,24; -0,9052 e -38,38
 153

respectivamente. Inicialmente, cabe destacar que, nesta regressão, somente os setores de

tecnologia, telecomunicação e utilidades apresentaram, em diferentes variáveis, níveis de
significância. Quanto à análise dos setores, no setor discricionário, somente a variável
PIB apresentou correlação negativa. Já no setor de consumo padrão, somente a variável
IPCA apresentou correlação positiva, ao passo que, no setor de energia, somente o PIB
apresentou o mesmo resultado, correlação positiva. Tanto o setor imobiliário quanto o
industrial apresentaram correlação positiva para as três variáveis. Porém, no caso do setor
imobiliário, os valores apurados tanto para a variável PIB (792,0066) quanto para a
variável LFT (1579,991) apresentaram uma elevada correlação, levando em conta os
resultados anteriores. Cabe o destaque, ainda, para a variável PIB (234,1805), no caso do
setor industrial. No setor de material básico, somente a variável IPCA apresentou
correlação positiva. O setor de saúde apresentou relevância somente na variável PIB
(23,0633) apresentando correlação positiva, enquanto as outras variáveis tiveram
correlação negativa, o mesmo acontecendo para o setor de tecnologia, porém, neste, a
variável PIB apresentou nível de significância de 5%. Quanto ao setor de
telecomunicação, somente a variável PIB apresentou correlação positiva, e a variável LFT
(14,0105) apresentou nível de significância de 10%. E por último no setor de utilidades,
as três variáveis apresentaram correlação negativa, sendo que a variável PIB (-255,9406)
apresentou nível de significância de 5%. Cabe observar a discrepância do valor
observado. Os valores citados são apresentados na tabela 16.

Tabela 15- Resultados da regressão das Variáveis Macroeconômicas x CFROIC por setor

CFROIC
PIB IPCA LFT
Geral -26,24 0,9052 -38,38
Discric -10,4369 0,0043 8,2083
Padrao -3,0979 0,0129 -2,7305
Energia 1,0957 -0,0131 -0,8745
Imob 792,0066 10,3226 1579,991
Ind 234,1805 0,5488 28,0175
Mat Bas -2,407 0,0179 -5,0459
Saude 23,0633 -0,0353 -3,5192
Tecnol -41,6014** 0,4084 -12,5583
Telecom 13,9965 -0,0743 -14,0105*
Util -255,9406** -2,2853 -66,5606
Fonte: Resultados da Pesquisa.

Os dados apresentados na tabela 16 são aqui apresentados no gráfico 9.

 154

Gráfico 9– Variáveis Macroeconômicas x CFROIC por setor

2000

1500

1000

500

-500

CFROIC PIB CFROIC IPCA CFROIC LFT

Fonte: Resultados da Pesquisa.

Os valores apurados apresentam uma correlação relevante no setor imobiliário,

tanto em relação à variável PIB quanto à variável LFT com o CFROIC. Tais variações
neste setor ocorrem devido ao contexto macroeconômico. Rosa e Costa (2015), ao
analisarem os indicadores de liquidez, rentabilidade e endividamento de 62 empresas
que compõem o Ibovespa, no período de 2007 a 2009, observaram que os índices de
rentabilidade sofrem variações em período de crise, assim como em períodos de
crescimento. Tal aspecto é corroborado por Fabregá e Nicolau (2016), que, ao
analisarem dados de empresas espanholas, no período de 2008 a 2013, observaram o
mesmo efeito. Especificamente no caso do setor imobiliário, com vistas ao de
construção civil, Lima, Oliveira & Rodrigues (2017), ao analisarem 17 empresas de
construção civil entre 2010 e 2015, listadas na BM&F Bovespa, verificaram a existência
da relação entre os indicadores financeiros e a conjuntura econômica, uma vez que
observaram que o ano de 2015 foi muito prejudicial para o setor. Essas análises, todavia,
apresentaram o comportamento dos indicadores de rentabilidade, não sendo
especificado o comportamento do CFROIC nesta análise.

Em relação ao CFROIC, três setores apresentaram níveis de significância. São

eles: tecnologia da informação (-41,6014) e utilidade pública (-255,9406), ambos com
nível de significância de 5% em relação ao PIB, e o setor de telecomunicações (-14,0105)
com nível de significância de 10%. A análise de Chain e Januzzi (2021) apresenta relação
 155

entre a influência das variáveis macroeconômicas e o ROIC, em relação à distribuição de

dividendos, servindo de suporte para conclusões a serem observadas nesta pesquisa. Em
relação ao PIB, os autores observaram que o PIB apresenta relação significativa e positiva
para todos os setores. Tal observação não está de acordo com o que foi constatado na
pesquisa, pois, embora apresente nível de significância, a correlação é negativa. Em
relação à variável ROIC, esta apresenta correlação negativa para o setor de tecnologia de
informação. Quanto ao setor de telecomunicações, Ullah (2021) analisou o desempenho
de três empresas (Maxis, Celcom e Digi), deste setor, entre 2015 e 2019, no mercado da
Malásia. O autor observou que as variáveis macroeconômicas citadas nessa pesquisa
também apresentam o mesmo efeito observado no mercado nacional, porém, quanto ao
impacto do ROIC, este se apresentou de forma diferente para cada empresa.

6.4 Análise da variável COVID para CFROA/CFROE/CFROIC

As regressões referentes ao CFROA, CFROE e CFROIC (GERAL), para toda a
amostra, tendo como variáveis independentes, as variáveis macroeconômicas e a variável
COVID, apresentaram os seguintes resultados: 0,0013; 0,0012 e -2,0150,
respectivamente. No caso esta variável serviu como uma variável de controle. Sendo que
est afetou o desempenho de determinados setores. Inicialmente, os setores de consumo
discricionário, consumo padrão, energia, imobiliário, material básico e telecomunicação
não exibiram qualquer nível de significância. Para o setor discricionário, observou-se
correlação negativa para as três variáveis, sendo que, no setor de consumo padrão,
somente foi observada correlação negativa para o CFROA. No setor de energia, somente
foi constatada correlação negativa para o CFROIC. No caso do setor imobiliário, as três
variáveis apresentaram correlação negativa, e mais uma vez se destacou o valor apurado
no CFROIC (-19,2018). Quanto ao setor industrial, todas as três variáveis apresentaram
correlação positiva, com destaque para o CFROA (0,0146) e CFROE (0,1134) que
apresentaram nível de significância de 5%. O setor de material básico somente apresentou
correlação negativa para o CFROE. O setor de saúde apresentou correlação positiva para
as três variáveis, haja vista que, dado o período da COVID, a demanda por esse tipo de
serviço foi significativa, refletindo no bom desempenho das variáveis analisadas,
principalmente para o CFROA (0,071) com significância de 10%. O setor de tecnologia
apresentou correlação negativa para as três variáveis, porem o valor observado do
CFROA (-0,0296) apresentou nível de significância de 1% e o do CFROE (-0,1829), 5%.
Quanto ao setor de telecomunicação, este apresentou correlação positiva para as três
 156

variáveis. Por último, no setor de utilidades, as correlações se apresentaram positivas,

sendo que somente o CFROA (0,0069) apresentou nível de significância de 1%. Tais
dados permitiram a elaboração da tabela 17 e do gráfico 10.

Tabela 16- Resultado da regressão COVID x CFROA/CFROE/CFROIC por setor

COVID
CFROA CFROE CFROIC
Geral 0,0013 0,0012 -2,0150
Discric -0,0058 -0,024 -0,6846
Padrao -0,0031 0,1381 0,0081
Energia 0,0026 0,0099 -0,1793
Imob -0,0055 -0,2701 -19,2018
Ind 0,0146** 0,1134** 2,7897
Mat Bas 0,0046 -0,0004 0,0408
Saude 0,0071* 0,0128 0,1012
Tecnol -0,0296*** -0,7001** -0,1829
Telecom -0,0099 0,221 -0,0933
Util 0,0069*** 0,0359 1,6706
Fonte: Resultados da Pesquisa.

Gráfico 10 - COVID x CFROA/CFROE/CFROIC por setor

-5

-10

-15

-20

-25

COVID CFROA COVID CFROE COVID CFROIC

Fonte: Resultados da Pesquisa.

Com o advento da pandemia, os efeitos econômicos foram observados na

economia, especificamente na questão do PIB, que, no ano de 2019 e 2020, apresentou
taxas decrescentes de 1,2 % e -3,3% respectivamente. No caso do setor imobiliário, com
destaque para o subsetor de construção civil, segundo Nascimento (2021), dois pontos
 157

são observados, em função da pandemia. O primeiro trata da queda na taxa de juros, de

6,5% em 2019 para 3% em 2020; por outro lado, a pandemia propiciou uma queda na
produção de insumos para este segmento, levando a um aumento nos custos de produção,
refletindo no preço final. Contudo, para o autor, um ponto positivo foi em relação à
economia do país apontando para a tendência ao declínio de taxas de juros e
possibilitando o aumento da confiança de compradores. Outro ponto positivo é o
crescimento da porcentagem das vagas com carteira assinada efetivadas pelo setor, o que
gera uma grande movimentação da economia. Um ponto negativo a ser citado, porém, é
o fato de que a crise sanitária acarretou a baixa na oferta de insumos para a construção
civil, ocorrendo, então, a elevação dos preços, e o aumento dos custos para as empresas.
Isso pode ser um ponto a impactar o crescimento delas. Esse resultado confirma as
conclusões de Colares et al. (2021), que analisaram o desempenho financeiro de 34
empresas, listadas na B3, do setor de construção civil, no período de 2018 a 2020
constataram que a pandemia pouco afetou o desempenho. Os autores analisaram somente
o ROA entre outras variáveis. Tal fato, segundo eles, ocorreu devido à existência de
projetos de longo prazo referentes a construções. Salienta-se que, em relação ao ROIC,
não foram encontradas maiores referência para este setor.

Benetti et al. (2022) assinalaram que determinados setores apresentaram

comportamento distintos em função da pandemia, sendo alguns mais impactados que
outros. Os autores pontuaram que, enquanto alguns tiveram suas operações reduzidas,
outros tiveram de apresentar um aumento na sua capacidade de trabalho para atender às
demandas surgidas. Tal observação leva à constatação de que alguns setores apresentaram
níveis de significância em relação ao CFROA e CFROE, não sendo observada nenhuma
correlação quanto ao CFROIC.

Para o setor de bens industriais, Costa (2021) analisou de que forma a pandemia
afetou o setor de bens industriais. O autor utilizou dados das empresas listadas na B3,
exceto o setor financeiro, entre 2019 e 2020, e apurou que nem todos os setores
apresentaram comportamento similar em relação ao ROA. No caso, o setor de bens
industriais apresentou uma variação de 1,625 no ROA. Quanto ao ROE, o autor averiguou
uma variação negativa de -0,658. Em relação aos dados resultados obtidos nesta pesquisa,
o ROA está de acordo com o encontrado; por sua vez, o ROE apresentou diferença. Tal
discrepância pode ser analisada em se tratando do período temporal analisado por esta
pesquisa, em comparação ao apresentado neste artigo. Quanto ao setor de utilidades, o
 158

autor examinou que o ROA apurou variação negativa de -0,019 e ROE, variação positiva
de 0,446. Tais observações estão de acordo com o observado nesta pesquisa.

Para o setor de tecnologia de informação, Fonseca (2021) investigou o

desempenho econômico-financeiro das empresas do setor de tecnologia da informação,
listadas na B3 durante o período pré e pós-pandêmico. As empresas analisadas foram
BRQ, SINQIA, QUALITY e TOTVS e POSITIVO entre 2016 a 2020. A variável ROA
apresentou variação em relação a COVID, sendo que a maioria delas foi positiva, porém
foi observada correlação negativa. Especificamente a empresa BRQ teve aumentos
sucessivos no ROA, indo de -2,90%, em 2016, para 16,15% em 2020. Quanto ao ROE,
foi observado que houve um crescimento indo de -5,85% em 2016 para 42,56% em 2020.
A empresa SINQIA apresentou, por sua vez, reduções até 2019, da ordem de -0,74% em
2019, ocorrendo somente recuperação a partir de 2020. A QUALITY apresentou um
aumento considerável no ROA da ordem de 332,14%, em relação ao ano de 2019; por
sua vez, no ROE, a empresa apresentou valor negativo em 2017, sendo que
posteriormente apresentou um valor relevante em 2020 de 20%. A TOTVS, que, em 2016,
apresentou um ROA da ordem de 6,23%, foi se reduzindo, porém conseguiu em 2020
aumentar para 6,93%; o ROE, por sua vez, apresentou um crescimento significativo de
2019 para 2020, sendo que o maior valor apurado ocorreu em 2016 (12,46%). E por
último, a empresa POSITIVO apresentou seu maior índice de ROA em 2020 da ordem
de 6,93%, sendo que, de 2017 a 2020, apresentou crescimento. Já o maior ROE ocorreu
em 2020 (18,96%), sendo que, desde 2017, a empresa apresentou crescimento nas classes
A e B.

Finalmente, o setor de saúde foi investigado por Guedes (2021), o qual focalizou
o desempenho econômico-financeiro das empresas listadas na B3 do segmento de
serviços médicos hospitalares entre 2018 e 2020 e concluiu que o ROA destas diminui
16,06% em 2019 e 21,57% no ano de 2020. Tal observação não está de acordo com o
constatado nesta pesquisa, devido à questão do período temporal analisado, que
contempla o período antes da pandemia e sua devida recuperação e também a abrangência
de outros subsetores do setor de saúde.
 159

6. 5 Análise da Variável INOV para CFROA/CFROE/CFROIC

As regressões referentes ao CFROA, CFROE e CFROIC (GERAL), para toda a
amostra, tendo como variável independente a variável inovação, exibiram os seguintes
resultados: 0;0,0157 e 0,6173 respectivamente.

Tabela 17- Resultados da regressão INOV x CFROA/CFROE/CFROIC por setor

INOV
CFROA CFROE CFROIC
Geral -0,0005 0,0157 0,6173
Discric -0,0017 -0,001 -0,2787*
Padrao -0,0014 -0,0785 -0,0016
Energia
Imob
Ind 0,0046 -0,0309 -2,1957
Mat Bas 0,0075 0,1766 0,0028
Saude -0,0096 -0,0251*** 0,0482
Tecnol -0,0066 0,1608* -0,716***
Telecom 0,0029 -0,1089 -0,0293
Util -0,0021 -0,0169* 1,1479
Fonte: Resultados da Pesquisa.

Em relação aos dados apresentados na tabela 18 foi elaborado o gráfico 11.

Gráfico 11– INOV x CFROA/CFROE/CFROIC por setor

20

15

10

-5

-10

BTM Efop BTM Liq BTM End BTM Imob BTM L nativo

Fonte: Resultados da Pesquisa.

 160

Inicialmente, os setores de consumo padrão, energia, imobiliário, bens industriais,

material básico e telecomunicação não apresentaram qualquer nível de significância. Para
o setor discricionário, observou-se correlação negativa para as três variáveis, com nível
de significância de 10% para o CFROIC (-0,2787). Os setores de energia e imobiliário
não apresentaram qualquer correlação com as três variáveis. Quanto ao setor de bens, este
apresentou correlação positiva para o CFROA e negativa para o CFROE e CFROIC. Já o
setor de material básico apresentou correlação positiva para as três variáveis. O setor de
saúde apresentou correlação positiva para o CFROIC e negativa para o CFROA e CFROE
(-0,0251), sendo que para este apresentou nível de significância de 1%. O setor de
tecnologia da informação apresentou correlação positiva para o CFROE (0,1608) com
nível de significância de 10%. Por sua vez, apresentaram correlação negativa para o
CFROA e CFROIC (-0,716) sendo que este apresentou nível de correlação negativa para
o CFROE e CFROIC. E por último, menciona-se o setor de utilidade pública que
apresentou correlação positiva para o CFROIC e correlação negativa para o CFROA e
CFROE, sendo que, para este, apresentou nível de significância de 10%. Acerca dos dados
apresentados na tabela X, foi elaborado o gráfico X

No caso, o setor de bens industriais apresentou correlação negativa significativa

na variável CFROIC em relação ao resultado geral observado. Menezes (2019) analisou
a relação do desempenho econômico financeiro com a relação das empresas mais
inovadoras listadas no ranking Valor 1000, no ano de 2014/2015. No caso, o autor apurou
uma correlação negativa do ROIC (-0,0046) em relação às empresas inovadoras e para o
ano de 2015, uma correlação positiva. No caso, tais dados, embora parcialmente estejam
de acordo com o observado nesta pesquisa, por tratar de empresas inovadoras em diversos
setores, levam a um resultado inconclusivo. Por sua vez, Rodrigues (2021) analisou o
desempenho econômico-financeiro da empresa WEG, no período de 2016 a 2020,
classificada no setor de bens industriais e inovadora, e observou que o ROIC, sendo uma
das variáveis analisadas, apresentou correlação positiva nesse período.

Quanto ao setor de tecnologia de informação. Santos (2022) analisou a empresa

Intelbras, do setor de tecnologia da informação no período de 2016 a 2020, e concluiu
que a empresa apresentou ROIC positivo, tendo redução nesta variável a partir de 2019
devido a novos investimentos. O autor também analisou o comportamento das suas
concorrentes e observou que seus resultados foram superiores, o que não foi observado
nesta pesquisa. Tal ressalva pode ser observada em função de haver somente análise em
 161

uma empresa, embora classificada como inovadora, no setor analisado. Na presente

pesquisa, o Tamanho da amostra pode gerar resultados diferentes.

Para o setor de utilidade pública, Jordão (2019) analisou a forma pela qual o
capital intelectual da empresa pode influenciar a sua rentabilidade. O capital intelectual é
um dos fatores a serem levados em conta na determinação da firma inovadora. Sua
amostra foi das empresas listadas na BM&F Bovespa entre 2005 e 2014. O autor
corroborou estudos de Roos et al. (1997), Edvinsson e Malone (1997) e Sveiby (1997),
concluindo que há uma correlação positiva entre a inovação, no caso o capital intelectual
e os indicadores de rentabilidade, no caso ROA, ROE e ROIC, com nível de significância
superior a 1%. Tal conclusão está de acordo com os dados apresentados nesta pesquisa.

Quanto às correlações que apresentaram nível de significância, o primeiro setor

foi o de consumo discricionário. Jordão (2019) concluiu que o setor de consumo
discricionário e não discricionário, juntamente ao setor de consumo não cíclico,
apresentou ROIC positivo da ordem de 1,16, não confirmando o que foi observado nesta
pesquisa. Tal discrepância ocorre em função de o autor ter analisado juntamente o setor
de consumo cíclico e não cíclico, o que pode ter acarretado um resultado diferente.
Quanto ao setor de saúde, Oliveira (2022) analisou os investimentos voltados para a
inovação em empresas do setor de saúde, listadas na B3 entre 2020 e 2021. A autora
observou que, dados tais investimentos nas empresas, o ROE auferido foi em torno de
0,206, apresentando correlação positiva no ano de 2019, e, para o ano de 2020, o valor
foi de 0,127, o que está indo de acordo com a correlação apresentada nesta pesquisa.
Quanto ao setor de tecnologia da informação e de utilidade pública, estes já foram
sinalizadas acima.

6.6 Análise da variável BtM em relação ao EFOP/LIQ/ENDIV/IMOB/L NATIVO

por setor
As regressões referentes ao EFOP, LIQ, ENDIV, IMOB e L NATIVO para toda
a amostra, tendo como variável independente a variável BtM, apresentaram os seguintes
resultados: -0,004 ***; -0,0781 **; -0,258; -0,007 e -0,746*** respectivamente.
 162

Tabela 18- Resultados da regressão BtM x EFOP/LIQ/ENDIV/IMOB/L NATIVO por setor

BtM
Efop Liq End Imob L nativo
Geral -0,004*** -0,0781** -0,258 0,007 -0,746***
Discric -0,0275 -0,2595 -1,2253* 0,0826 -0,5001*
Padrao -0,1867 0,0899 -1,3447 -0,0181 -0,3748
Energia -0,1752* 0,0206 0,7142 -0,1059 0,007
Imob -0,0016 0,0077 0,2258 15,4875 -0,1744
Ind -0,1694 -0,1148 0,9362 0,4131 -0,6593*
Mat Bas -0,2002*** 0,1072** -0,3444 0,37 0,1303
Saude -0,0074*** -0,1163 1,1399 1,9005 -1,6088***
Tecnol -0,9235 -0,1637** -3,9733 -6,9195 -4,9826**
Telecom 0,2364 -0,1015*** 1,083** -0,1544 -1,428***
Util -0,0541* 0,0163 -0,2649** 0,2568 -0,3966***
Fonte: Resultados da Pesquisa.

Em relação aos resultados apresentados, foi gerado o gráfico 12 com base nos
valores da tabela 19.

Gráfico 12- Resultado da regressão BtM x EFOP/LIQ/END/IMOB/L NATIVO por setor

20

15

10

-5

-10

BTM Efop BTM Liq BTM End BTM Imob BTM L nativo

Fonte: Resultados da Pesquisa.

Somente os setores de consumo padrão e imobiliário não apresentaram qualquer

nível de significância nesta análise. O setor de consumo discricionário apresentou
correlação negativa com as variáveis exceto imobilizado, com destaque para as variáveis
ENDIV (-1,2253) e L NATIVO (-0,5001), com níveis de significância de 10% para
ambas. Quanto ao setor de consumo padrão, todas as correlações foram negativas,
 163

excetuando a variável LIQ. No setor de energia, as variáveis apresentaram correlação

negativa exceto LIQ e L NATIVO, sendo que a variável EFOP teve nível de significância
de 10%. O setor imobiliário apresentou correlação negativa somente para as variáveis
EFOP e L NATIVO, porém cabe o destaque para o valor apresentado na variável IMOB
(15,4875). O setor industrial apresentou correlação positiva somente para as variáveis
ENDIV e IMOB, sendo que a variável L NATIVO (-0,6593) apresentou nível de
significância de 10%. O setor de material básico apresentou correlação negativa somente
para as variáveis EFOP e END. Porém as variáveis EFOP (-0,2002) e LIQ (0,1072)
apresentaram nível de significância de 1% e 5% respectivamente. O setor de saúde
apresentou correlação positiva somente para as variáveis ENDIV e IMOB, sendo que as
variáveis EFOP (-0,0074) e L NATIVO (-1,6088) apresentaram ambas nível de
significância de 1%. Quanto ao setor de tecnologia, todas as variáveis apresentaram
correlação negativa, porém ambas as variáveis LIQ (-0,1637) e L NATIVO (-1,428)
apresentaram nível de significância de 5%. O setor de telecomunicações demonstrou
correlação positiva somente para as variáveis EFOP e ENDIV; por sua vez, as variáveis
LIQ (-0,1015), L NATIVO (-1,428) apresentaram nível de significância de 1%, enquanto
a variável ENDIV obteve 5%. E por último, tem-se o setor de utilidades, que apresentou
correlação positiva somente para as variáveis LIQ e IMOB, sendo que, nas variáveis
EFOP (-0,0541), LIQ (0,0163) e L NATIVO (-0,3966), cada uma delas exibiu níveis de
significância de 10%, 5% e 1% respectivamente.
Embora a regressão tenha apresentado uma correlação positiva em relação ao
imobilizado e ao BtM, no setor imobiliário, a literatura, por si só, não apresenta uma
demonstração que corrobore tal constatação.

Ao analisar os setores estudados e as variáveis analisadas que apresentaram níveis

de significância, foi constatado que alguns estudos apresentaram um direcionamento, da
abordagem aqui analisada neste trabalho, porém se nota que não necessariamente se
encontra um resultado que venha a corroborar de forma precisa os resultados aqui obtidos,
em vista da falta de referências que relacionem as variáveis analisadas.

Quanto ao setor de consumo discricionário, este apresentou nível de significância

de 10% para as variáveis ENDIV (-1,2253) e L NATIVO (-0,5001), ambas com nível de
significância de 10%. Costa-Fabiano e Kroenke (2022) analisaram quatro conglomerados
do segmento de serviços educacionais, listados na B3, entre 2011 e 2020, que obtiveram
incentivos referentes ao PROUNI. No caso, os autores observaram que, em relação à
 164

variável BtM, esta não apresentou nível de significância, salientando que tal benefício
não significa que este proverá um aumento no valor de mercado. Salienta-se que se trata
de um determinado segmento, enquanto o presente trabalho analisa o setor de consumo
discricionário como um todo. Neste caso, os resultados apresentados são inconclusivos.

Quanto ao setor de energia, o trabalho de Jesus (2005) teve como objetivo o

cálculo e análise do BtM para as ações ordinárias das empresas do setor elétrico listadas
no IEE/Bovespa (Índice de Energia Elétrica da Bolsa de Valores do Estado de São Paulo)
no 1º quadrimestre de 2006. O autor conclui que empresas de economia mista
apresentaram valores bem menores no índice do que seus pares do setor privado, e,
segundo o autor, tal fato ocorre em função das políticas governamentais para o setor. Por
sua vez, Carvalho et al. (2017) analisaram dados referentes às empresas que compõem o
índice Ibovespa, no período de 2007 a 2015. Os autores buscaram averiguar se o modelo
Du Pont aplicado ao Q de Tobin e BtM serviriam para a obtenção de mais esclarecimento
sobre a melhor forma de entendimento entre os diversos indicadores contábeis. Os autores
observaram que, no caso da variável BtM, esta apresentou maior complexidade na sua
explicação em função das medidas, no caso de desempenho operacional e alavancagem
utilizadas pelos autores.

O setor industrial também apresentou na variável L NATIVO (-0,6593) nível de

significância de 10%. Neste sentido, o estudo de Figari et al. (2016), ao analisar os gastos
de P&D nas empresas brasileiras de capital aberto, ativas na BM&F BOVESPA, entre
2010 a 2014, concluiu que as variáveis Tamanho da empresa e rentabilidade contribuíram
de maneira significativa para explicar o índice BtM apresentando, assim, sua devida
relevância. Tal constatação, embora esteja em desencontro com o observado nesta
pesquisa, dado o mote apresentado pelo autor, sinaliza o grau de significância desta
variável para o setor analisado.

O setor de materiais básicos, por sua vez, apresentou nível de significância para
as variáveis EFOP (-0,2002) e LIQ (0,1072) com nível de significância de 1% e 5%
respectivamente. Forti, Peixoto e Alves (2015) buscaram determinar quais fatores afetam
a política de distribuição de dividendos nas 32 empresas listadas na B3, do setor de
material básico, no período de 2010 a 2016. Os autores avaliaram diversas variáveis, entre
elas o BtM e a Liquidez. Os resultados apresentados indicaram que o Tamanho influencia
de modo positivo a distribuição de dividendo pela empresa, apresentando, assim, um
comportamento similar ao detectado nesta pesquisa. Quanto à eficiência operacional, esta
 165

não foi observada pelos autores. Esta observação indica uma correlação positiva
apresentada nesta pesquisa indo de acordo com o detectado nesta pesquisa. Em relação à
eficiência operacional para este setor, Monteiro (2021) avaliou a utilização das operações
de hedge accounting em relação ao desempenho das empresas para as empresas do setor
de material básico, listadas na B3, entre 2010 e 2020. Os autores identificaram que a
eficiência operacional é diferente, no caso da eficiência de gestão, mesmo havendo
investimentos em ativos, sendo que o retorno dos investimentos assim como a própria
eficiência operacional apresentaram resultados negativos, estando de acordo com o
observado nesta pesquisa.

O setor de saúde apresentou significância para as variáveis EFOP (-0,0074) e L

NATIVO (-1,6088), ambos com nível de 1%. Silva (2021) analisou o desempenho das
empresas do setor de saúde pós-IPO que receberam recursos de Private Equity em
comparação com aquelas não receberam tais aportes, antes de participar do mercado
acionário. A amostra trata de empresas listadas na B3 entre 2006 e 2019. Quanto à
eficiência operacional, o autor observou que, tanto no nível de endividamento quanto na
eficiência operacional, as empresas que receberam recursos, via Private Equity, após a
entrada na bolsa, apresentaram desempenho inferior em relação aos que não haviam
recebido. Tal resultado apresenta uma baixa eficiência operacional, porém, para esta
pesquisa, este se mostra inconclusivo. Quanto à análise do BtM, o autor observou que
para esta variável as empresas que apresentam menor Tamanho têm uma ampla
discrepância em relação às de maior porte. Tal resultado também não se mostra
inconclusivo, dados os achados nesta pesquisa.

O setor de tecnologia de informação apresentou significância para as variáveis

LIQ (-0,1637) e L NATIVO (-4,9826), ambas com nível de significância de 5%.
Nascimento et al. (2012), ao pesquisarem doze empresas brasileiras do setor de
telecomunicações e cinco do setor de tecnologia da informação no ano de 2008,
observaram que as empresas deste setor apresentaram um desempenho elevado, uma vez
que há elevados investimentos em ativos intangíveis, o que é característica deste setor.
Assim, Moura et al. (2020) analisaram a relação dos ativos intangíveis no desempenho e
no valor de mercado das empresas listadas na B3 entre 2010 e 2017, o que inclui o setor
de Tecnologia de Informação. Os autores observaram que, em relação à Liquidez, a
variável BtM não se mostrou significativa, sendo o Q de Tobin mais relevante, não
confirmando os resultados apurados nesta pesquisa. No que concerne à variável L
 166

NATIVO, os resultados obtidos foram significativos para o BtM, sinalizando a relevância

dos ativos totais no valor de mercado da empresa, o que difere dos resultados observados
nesta pesquisa, devido ao fato de as amostras analisadas em ambos os trabalhos serem
diferentes na sua totalidade.

O setor de telecomunicações apresentou três variáveis com nível de significância,

sendo elas: LIQ (-0,1015), L NATIVO (-1,428) com nível de 1% e ENDIV (1,083) com
nível de 5%. Contudo, ao tratar deste setor, este apresenta similaridade com as
justificativas apresentadas por Nascimento et al. (2012) no tocante ao setor de tecnologia
da informação. Quanto à variável ENDIV, os autores obtiveram o valor de 0,07 em
relação ao BtM, porém sem o devido nível de significância apresentado nesta pesquisa.

Quanto ao setor de utilidades, este apresentou três variáveis com nível de

significância, EFOP (-0,0541), LIQ (0,0163) e L NATIVO (-0,3966), com níveis e 10%,
5% e 1% respectivamente. O trabalho de Giordani et al. (2019) analisou as variáveis sob
a perspectiva da utilização de mídia social (Twitter) para o desempenho financeiro, sendo
analisadas empresas listadas na B3 entre 2013 e 2017 que possuíam. Entre as variáveis
estudadas, o BtM foi utilizado para observar o desempenho, e os autores concluíram que
o setor de utilidades foi o setor que mais utilizou tal mídia. Ao analisar o desempenho das
empresas que utilizam tal mídia, conclui-se que o BtM apresentou uma correlação
positiva com a variável L NATIVO de 0,839, sendo que os autores não analisaram as
outras variáveis mencionadas. Tal resultado não corrobora o que foi encontrado nesta
pesquisa, uma vez que diversos outros setores foram investigados, comprometendo a
amostra desta pesquisa que trata somente deste setor.

6.6.1 Análise das Variáveis Macroeconômicas no BtM para cada setor

Quanto à correlação do BtM, com as variáveis macroeconômicas PIB, IPCA e

LFT, os resultados apurados nas regressões apresentam os seguintes valores: PIB (11,48),
IPCA (-0,1159) e LFT (-38,34), com nível de significância de1% para todos. De uma
forma mais sucinta, os setores de consumo discricionário, padrão, energia, imobilizado,
tecnologia da informação e utilidades não apresentaram nível de significância para a
variável PIB, sendo que o setor industrial apresentou nível de significância de 10%; o
setor de saúde, nível de 5%; e os setores de material básico e telecomunicação, nível de
1%. No caso da variável IPCA, exceto os setores de energia, material básico, tecnologia
da informação, telecomunicação e utilidades não apresentaram níveis de significância,
 167

sendo que todos os demais setores apresentaram nível de significância de 1%. E para a
variável LFT, os setores de consumo padrão, energia e tecnologia da informação não
apresentaram níveis de significância, sendo que o setor de telecomunicações obteve nível
de 10%; o setor de saúde, 5%; e outros setores, 1%.

Na análise, a variável BtM é considerada como um indicador que leva em conta

as oportunidades de crescimento das empresas, de modo que qualquer alteração no
comportamento das variáveis macroeconômicas afeta a variável acima. Assim, ao se
analisar de forma mais ampla os setores pesquisados, segundo Berns, Flach (2015), as
variáveis inflação e juros estão correlacionadas a setores de demanda de crédito para
financiamentos e também para aquisição de bens de consumo, no caso se trata dos setores
de bens industriais, consumo discricionário. Por sua vez, o setor de energia é afetado pelo
IPCA, considerando que os reajustes nas tarifas são do seu interesse. Há igualmente os
setores de telecomunicações e de utilidade pública que também se correlacionam com a
LFT, dados seus contratos de concessão e também os diversos contratos formados com
clientes e fornecedores.

Tabela 20- Resultados da regressão BtM x Variáveis Macroeconômicas por setor

BtM
PIB IPCA LFT
Geral 11.48*** -0,1159*** -38,343***
Discric 10,9817 0,2211*** -63,5246***
Padrao 1,2564 -0,1199*** -9,0139
Energia 7,6227 -0,0485 -25,7884
Imob -5,3602 -0,1499*** -27,9963***
Ind 25,9085* -0,1015*** -35,6096***
Mat Bas 16,6443*** -0,0011 -23,0208***
Saude 18,8722** -0,3028*** -34,5197**
Tecnol 48,1948 0,1896 -90,5060
Telecom 19,0437*** -0,0231 -54,7604*
Util 4,5275 -0,0186 -15,8059***
Fonte: Resultados da Pesquisa.

Os resultados apresentados na tabela 20 geraram o gráfico 13.

 168

Gráfico 13– BtM x Variáveis Macroeconômicas por setor

60

40

20

-20

-40

-60

-80

-100

BTM PIB BTM IPCA BTM LFT

Fonte: Resultados da Pesquisa.

6.6.2 Análise da Variável COVID no BtM

Quanto à correlação da variável BtM com a variável COVID, o resultado apurado
na regressão geral apresenta o seguinte valor: COVID (0,2284) com nível de significância
de 1%. O setor de material básico apresentou nível de 10%; utilidades e industrial, com
5%; e o setor de tecnologia da informação com 1%.

Por se tratar de uma análise que engloba todos os setores listados na B3, Alencar
et al. (2022) analisaram o impacto da pandemia, da GC e do desempenho financeiro e de
mercado de 205 empresas listadas na B3 entre 2011 e 2020, utilizando o EBITDA e o
BtM. Para os autores, a pandemia afetou positivamente o desempenho das empresas,
embora variasse de setor para setor podendo, ainda, ser positivo ou negativo. No caso, a
análise feita pelos autores observou nível de significância de 1% para as empresas de
consumo padrão e saúde, com correlação positiva, o que corrobora os resultados
apresentados nesta pesquisa. Em relação aos setores de telecomunicações e utilidade
pública, foi observada correlação positiva com nível de significância de 1%; no caso do
setor de telecomunicação, não foi observada neste trabalho correlação positiva, mas sim
negativa. Há também o setor de tecnologia da informação, que apresentou correlação
negativa com o mesmo nível de significância dos anteriores, porém, na presente pesquisa,
a correlação foi positiva.
 169

Tabela 19- Resultados da regressão BtM x COVID por setor

BtM/COVID
Geral 0,2284***
Discric 0,0862
Padrao 0,0952
Energia
Imob -0,0056
Ind 0,4361**
Mat Bas 0,1065*
Saude 0,0714
Tecnol 2,8138***
Telecom -0,1272
Util 0,2155**
Fonte: Resultados da Pesquisa.

Com base nos dados apresentados na tabela 21 foi elaborado o gráfico 14

Gráfico 14– BtM x COVID por setor

2,5

1,5

0,5

-0,5

Fonte: Resultados da Pesquisa.

6.6.3 Análise da Variável INOV no BtM

Quanto à correlação entre a variável BtM e INOV, o resultado apurado na
regressão apresenta o seguinte valor para a regressão geral: INOV (-0,0657) sem nível de
significância. Quanto aos resultados apresentados, cabe a menção de que os setores de
energia e imobiliário não apresentaram correlação. Somente os setores de consumo
padrão e saúde apresentaram correlação positiva. Quanto ao nível de significância, o setor
 170

de telecomunicação apresentou nível de 10%; material básico e utilidade pública, 5%; e

saúde, 1%. Em relação aos resultados encontrados, inicialmente, Figari et al. (2016)
apontaram que dispêndios com P&D das empresas brasileiras de capital aberto da BM&F
BOVESPA, entre 2010 e 2014, apresentaram relação relevante para explicar o índice
BtM, sendo que ficou concluído que gastos explicam a valorização do valor econômico
das empresas. Já Adam et al. (2022) analisaram a relação entre capital intelectual, um dos
pilares da empresa inovadora, e desempenho nos diferentes setores. Foram pesquisadas
168 empresas, listadas na B3, entre 2010 e 2020. Quanto aos resultados, os autores
apuraram que o nível de capital intelectual de uma empresa pode afetar positiva ou
negativamente cada setor das vendas.

Quanto às análises setoriais, especificamente, os autores apresentaram os

seguintes resultados. Nos setores de bens de consumo discricionário, telecomunicação e
saúde, não foi verificada relação significativa, o que não ocorre nesta pesquisa, em que
os setores de telecomunicação e saúde apresentaram nível de significância de 10% e 1%,
respectivamente. No caso específico do setor de saúde, o resultado apresentado nesta
pesquisa está de acordo com Sharabati et al. (2010) que consideram este como inovador,
o que está de acordo com o trabalho de Jordão e Almeida (2017) em que as empresas que
apresentam mais capital intelectual apresentam rentabilidade superior.

Os autores concluíram que, para os setores de consumo cíclico, material básico,

tecnologia de informação e utilidade pública, todos apresentaram correlação positiva com
níveis de significância de 10%, 5%, 1% e 5% respectivamente. Por sua vez, os resultados
apurados nesta pesquisa não estão de acordo, na sua totalidade. No caso, foi observada
correlação negativa para todos os setores, exceto o de consumo padrão, sendo que este
setor e o de tecnologia de informação não apresentaram nível de significância, enquanto
o setor de material básico e o de utilidade pública apresentaram nível de 5%. Com base
nos resultados apresentados, ocorre que, dado o setor, o capital físico continua a ser mais
importante, e também pode ocorrer de o capital intelectual não ter gerado os resultados
esperados.
 171

Tabela 20- Resultados da regressão BtM x INOV por setor

BtM/INOV
Geral -0,0657
Discric -0,2299
Padrao 0,115
Energia
Imob
Ind -0,2393
Mat Bas -0,2137**
Saude 1,127***
Tecnol -0,8759
Telec -0,2845 *
Util -0,1829**
Fonte: Resultados da Pesquisa.

Tendo em vista os resultados da tabela 22, foi elaborado o gráfico 15

Gráfico 15– BtM x INOV por setor

1,5

0,5

0
Geral Discric Padrao Energia Imob Ind Mat Bas Saude Tecnol Telecom

-0,5

-1

Fonte: Resultados da Pesquisa.

6.7 Análise da variável P/L em relação ao EFOP/LIQ/ENDIV/IMOB/L NATIVO

por setor
As regressões referentes ao EFOP, LIQ, ENDIV, IMOB e L NATIVO para toda
a amostra, tendo como variável independente a variável P/L, apresentaram os resultados
0,0885; 16,62; -146,7; -131,6 e - 4,389 respectivamente, sendo que nenhum deles exibiu
níveis de significância.
 172

Tabela 21- Resultados da regressão P/L x EFOP/LIQ/END/IMOB/L NATIVO por setor

P/L
Efop Liq End Imob L nativo
Geral 0.0885 16,62 -146,7 -131,6 -4,389
Discric 5,3142 10,6573* -2,9887 207,7592 11,6745
Padrao -34,9748 -79,526* -359,1105 -501,2392 84,9553
Energia -5,7725 17,5174** -327,9663 -193,5338 168,8909***
Imob -2,3944 -15,4476 521,5513 -241,1743 53,1425
Ind -56,8539 33,2536** -40,0621 -517,355 11,4489
Mat Bas -64,2531 -9,5752** -22,0829 108,5589 15,726
Saude 0,3034 -10,8099 -33,3756 -430,9388 -39,6823
Tecnol -179,1309 11,345* 85,5502 -707,236 -211,6548
Telecom -23,3145 20,3107*** 11,2711 -95,7934 40,5038
Util 27,3447 28,7925 -1397,787 -345,54 -63,6424
Fonte: Resultados da Pesquisa.

Com base nos resultados apresentados na tabela 23 foi elaborado o gráfico 16.

Gráfico 16- P/L x EFOP/LIQ/END/IMOB/L NATIVO por setor

1000

500

-500

-1000

-1500

P/L Efop P/L Liq P/L End P/L Imob P/L L nativo

Fonte: Resultados da Pesquisa.

Em relação aos resultados apresentados, somente os setores imobiliário, saúde e
utilidade pública não apresentaram qualquer nível de significância nesta análise. O setor
de consumo discricionário apresentou correlação negativa somente para a variável
ENDIV (-2,9887), sendo que a variável LIQ (10,6573) apresentou nível de significância
de 10%. Quanto ao setor de consumo padrão, todas as correlações foram negativas,
excetuando a variável L NATIVO, sendo que a variável LIQ (-79,526) apresentou nível
 173

de significância de 10%. No setor de energia, as variáveis apresentaram correlação

negativa, exceto LIQ e L NATIVO.
O setor industrial apresentou correlação negativa para todas as variáveis, exceto
as variáveis LIQ (33,2536) e ENDIV, sendo que a primeira apresentou nível de
significância de 5%. O setor de material básico demonstrou correlação positiva somente
para as variáveis IMOB e L NATIVO, sendo que a variável LIQ (-9,5752) apresentou
nível de significância de 5%. No setor de saúde, somente a variável EFOP apresentou
correlação positiva, sendo que nenhuma das variáveis apresentou níveis de significância.
Quanto ao setor de tecnologia da informação, somente as variáveis LIQ (11,345) e ENDIV
apresentaram correlação positiva, sendo que a primeira apresentou nível de significância
de 10%. O setor de telecomunicações apresentou correlação positiva somente para as
variáveis LIQ (20,3107) e ENDIV, sendo que a primeira apresentou nível de significância
de 1% E por último, tem-se o setor de utilidades, que apresentou correlação positiva
somente para as variáveis EFOP e LIQ, sendo que nenhuma das variáveis analisadas
apresentou níveis de significância.

Entre as variáveis analisadas, observa-se que as variáveis ENDIV e IMOB foram

as que apresentaram maior destaque na análise, com valores significativos em
determinados setores. Embora não se vislumbre uma análise específica da relação destas
variáveis em cada setor, alguns estudos destacam tal relação, de forma mais abrangente.
No caso, Jermsittiparsert, Ambarita, Mihardjo e Ghani (2019) analisaram 40 empresas de
4 países do sudeste asiático, entre 2012 e 2016. Seu estudo versava sobre a análise do
risco-retorno com a utilização de indicadores financeiros para determinar os preços das
ações. Os autores utilizaram diversos índices entre os quais: índice de Liquidez, Liquidez
imediata, crescimento dos ativos, Retorno sobre os ativos (ROA), Retorno sobre o
patrimônio líquido (ROE), Retorno sobre o capital empregado (ROCE) e o índice sobre
preço lucro da ação (P/L). No caso, o índice P/L não se mostrou relevante nem
significativo em tal determinação, o que também não está de acordo com os resultados
apresentados nesta pesquisa, visto que nela o índice P/L apresentou resultados
significativos e de relevância. Almeida e Sales (2020) analisaram 78 companhias, não
financeiras, em diferentes setores entre 2009 e 2018, pertencentes ao índice IBrX 100 ao
final de 2019, vislumbrando o retorno acionário. Os autores concluíram que, entre outros
indicadores analisados, o índice P/L apresentou correlação positiva. Tal resultado,
também, não está de acordo com o observado nesta pesquisa, haja vista que, ao se
 174

observar os resultados apresentados das correlações entre o P/L e as variáveis

mencionadas as correlações se mostraram negativas.

6.7.1 Análise das Variáveis Macroeconômicas na variável P/L para cada setor
Quanto à correlação da variável P/L, com as variáveis macroeconômicas PIB,
IPCA e LFT, os resultados apurados nas regressões apresentaram os seguintes valores:
PIB (-1621); IPCA (-10,69) e LFT (875,8). Nenhuma destas apresentou nível de
significância.

A análise setorial destas variáveis concluiu, inicialmente, que somente os setores

de consumo discricionário, padrão, imobiliário, tecnologia de informação e
telecomunicações apresentaram níveis de significância. Especificamente, o setor de
consumo discricionário apresentou correlação positiva somente para a LFT, sendo que
esta apresentou nível de significância de 1%. O setor de consumo padrão apresentou,
somente, correlação negativa para o IPCA, sendo que ambas as variáveis PIB (- 4676,966)
e LFT (8244,37) apresentaram níveis de significância de 10%. O setor de energia
apresentou correlação negativa para a variável PIB. O setor imobiliário apresentou
somente correlação positiva para a variável LFT, sendo que a variável IPCA (- 42,8358)
obteve nível de significância de 10%. O setor industrial exibiu somente correlação
positiva para a variável PIB, enquanto o setor de material básico apresentou a mesma
correlação somente para a variável IPCA. O setor de saúde, por sua vez, apresentou
correlação negativa para todas as variáveis, juntamente ao setor de telecomunicação,
sendo que, neste, a variável LFT (- 4075,15) demonstrou nível de significância de 5%. O
setor de tecnologia de informação apresentou correlação positiva somente para a variável
IPCA, porém, para a variável LFT, apresentou nível de significância de 10%. E o setor
de utilidades, o último, apresentou correlação positiva somente para a variável LFT.
Contudo, analisando estes dados, pode-se observar o forte impacto das variáveis PIB e
LFT nos resultados apresentados.
 175

Tabela 22- Resultados da regressão P/L x Variáveis Macroeconômicas por setor

P/L
PIB IPCA LFT
Geral -1621 -10,69 875,8
Discric 3114,83 -0,9186 3735,359***
Padrao -4676,966* -17,4554 8244,37*
Energia -4491,105 15,1316 2058,517
Imob -910,4194 -42,8358* 608,8358
Ind 2436,596 -18,7844 -1203,791
Mat Bas -2121,32 8,9446 -487,5297
Saude -3677,256 -0,5327 -1332,262
Tecnol -442,5091 88,0898 -14.178,32*
Telecom -4075,15** -21,4331 -1116,558
Util -10036,03 -20,1262 3737,099
Fonte: Resultados da Pesquisa.

Com base nos resultados apurados na tabela 24 foi elaborado o gráfico 17.

Gráfico 17- P/L x Variáveis Macroeconômicas por setor

10000

5000

-5000

-10000

-15000

-20000

P/L PIB P/L IPCA P/L LFT

Fonte: Resultados da Pesquisa.

Em relação aos estudos relacionados a este tema, é possível citar o trabalho de

Costa Júnior e Neves (2000) que analisaram, especificamente, o comportamento das
variáveis valor de mercado, índice preço/lucro e índice valor patrimonial/preço, nas ações
negociadas na BOVESPA entre março de 1987 e fevereiro de 1996. Os autores
concluíram que tais variáveis, de fato, afetam significativamente o valor das ações. Outros
 176

estudos, mais atuais, citam a análise de Monteiro (2016) que apresentou uma análise de
cointegração e causalidade entre as variáveis taxa câmbio, juros, inflação, PIB e o Índice
Bovespa, no período entre 1996 e 2013. Os resultados apurados apontam que as variáveis
PIB e juros apresentam cointegração com o IBOVESPA. Tal estudo aponta o que foi
observado nesta pesquisa acerca da influência das variáveis PIB e LFT nas correlações
observadas. O estudo de Machado, Gartner e Machado (2017) analisou a relação entre o
Índice Bovespa e as variáveis macroeconômicas, via modelo de Markov-Switching,
levando em conta as variáveis INPC, oferta de moeda – M1, taxa SELIC, PIB,
importações, exportações e taxa de câmbio, no período de janeiro de 1999 até junho de
2017. Os autores concluíram que a oferta de moeda, PIB, taxa SELIC, importações,
exportações e taxa de câmbio apresentam correlação com o Índice Bovespa, porém não
sendo observado no INPC. Theodoro (2018) analisou a relação entre o Índice Bovespa e
as variáveis macroeconômicas, taxas de câmbio PTAX, SELIC, PIB e IPCA, em relação
a períodos de crises, entre janeiro de 2007 e janeiro de 2017, via estimação por VAR e
testes de Granger. Segundo o estudo mencionado, foi concluído que ocorre uma relação
significativa entre o Índice Bovespa e a taxa de câmbio, por sua vez não foi observada
correlação significativa entre este índice e as outras variáveis macroeconômicas.

6.7.2 Análise da Variável COVID no P/L

Quanto à correlação da variável P/L, com a variável COVID, o resultado apurado,
pela correlação, levando em conta toda a amostra, foi de 11,63. Cabe o destaque de que
não foi constatado nenhum nível de significância para estes resultados. Em relação aos
setores estudados, somente os setores de consumo discricionário, energia, indústria e
material básico apresentaram correlação negativa, frisando o setor imobiliário que
apresentou uma elevada correlação. De acordo com a tabela 25 abaixo.
 177

Tabela 23- Resultados da regressão P/L x COVID por setor

P/L COVID
Geral 11,63
Discric -27,1597
Padrao 27,0114
Energia -22,4142
Imob 608,4598
Ind -31,1282
Mat Bas -12,0765
Saude 27,0023
Tecnol 60,3353
Telecom 8,1383
Util 92,2082
Fonte: Resultados da Pesquisa.

Com base nos resultados da tabela 25, foi elaborado o gráfico 18.

Gráfico 18- P/L x COVID por setor

700

600

500

400

300

200

100

-100

Fonte: Resultados da Pesquisa.

Cardoso (2022) analisou o desempenho econômico-financeiro das empresas

listadas na bolsa de valores brasileira, a B3, no período anterior e durante a pandemia
(2019 a 2021). A autora se utilizou de estatísticas descritivas e do teste t de Student
visando determinar as variações estatisticamente significativas. No caso do índice
preço/lucro, este apresentou resultados significativos referentes à criação de valor,
mostrando-se significativo para com os investidores. No caso, este índice apresentou
 178

comportamento diferenciado no período analisado, isto é, no período durante a pandemia

o índice apresentou aumento. Tal resultado se mostra inconclusivo, embora se possa
observar que, em relação ao valor geral da regressão da amostra (11,63), este foi positivo,
porém não foi observada uma análise setorial. Silva (2022) analisou o impacto oriundo
da COVID, nos períodos anteriores à pandemia (2016–2019) e no posterior (2020–2021),
no tocante à remuneração dos executivos de empresas brasileiras listadas na B3 e aos
indicadores financeiros, no caso Retorno sobre o Ativo (ROA), Preço/Lucro e
Investimento em ativo de longo prazo. Foram utilizados dados das empresas não
financeiras listadas na B3, em 2022. O autor observou que os indicadores financeiros não
apresentaram diferenças consistentes nos períodos analisados. As empresas, em relação
ao seu desempenho, demonstraram ter uma menor capacidade de geração de lucro, de
modo que refletiu na remuneração dos seus executivos. Em relação ao índice preço/lucro,
foi observada uma diminuição devido à redução da atividade econômica. Destaca-se que
que não foi possível determinar que pacotes de remuneração mais elevados refletirão num
aumento do índice preço/lucro, sendo que os autores observaram que tal variável não é
significativa, o que está de acordo com o observado nesta pesquisa haja vista que não foi
detectado qualquer nível de significância no resultado das regressões.
No caso, Santos et al. (2022) analisaram comparativamente as empresas Magazine
Luiza e Via Varejo, no ano de 2020, sendo estas empresas pertencentes ao subsetor de
comércio do setor discricionário. Os autores observaram, em relação ao Magazine Luiza,
uma valorização no preçoda ação de R$ 12,07 para R$ 15,54 no primeiro trimestre de
2020; contudo, com tal valorização no seu preço, os autores alegram que o valor
patrimonial por ação (VPA) e a diminuição no índice lucro por ação (LPA) acabaram
ocasionando um valor negativo no índice preço/lucro. Quanto à empresa Via Varejo, o
preço da sua ação, no primeiro trimestre, era de R$ 5,45, o que, de certa forma,
possibilitou atrair novos investidores, sendo seu LPA no valor de R$ 0,01, ocasionando a
elevação do índice preço/lucro. Cabe destacar que, no segundo trimestre, a empresa
apresentou um aumento no valor da ação para R$ 15,31, fazendo com que seu LPA fosse
de R$ 0,04. Contudo, o índice preço/lucro acabou por apresentar uma redução, visto que
ocorreu um aumento no LPA de R$ 0,04 para R$ 0,41, assim como o aumento no valor
da ação. Assim, tais conclusões oriundas para este setor estão de acordo com o observado
nesta pesquisa, que apresentou uma correlação negativa de -27,1597.
 179

6.7.3 Análise da Variável INOV no P/L

Quanto à correlação da variável P/L, com a variável INOV, o resultado apurado
pela correlação, levando em conta toda a amostra, foi de -105,9. Foi observado nível de
significância para os setores de telecomunicação e saúde, não havendo correlação para o
setor de energia e somente correlação positiva para os setores imobiliário e
telecomunicações.

Tabela 24- Resultados da regressão P/L x INOV por setor

P/L INOV
Geral -105,9
Discric -50,2267
Padrao -6,2405
Energia
Imob 12,1592
Ind -68,6198
Mat Bas -21,408
Saude -267,208***
Tecnol -103,47**
Telecom 10,2107
Util -194,117
Fonte: Resultados da Pesquisa.

Com base nos resultados apresentados na tabela 26 foi elaborado o gráfico 19

Gráfico 19 - P/L x INOV

Título do Gráfico
50

-50

-100

-150

-200

-250

-300

Fonte: Resultados da Pesquisa

 180

Silva (2019) analisou a possibilidade da utilização da Avaliação Relativa por

Múltiplos em empresas consideradas inovadoras, no caso o que se denomina unicórnios,
empresas com valor estimado acima de US$ 1 bilhão, no caso empresas que apresentem
modelo de negócio promissor, num processo próximo a sua abertura de capital, via oferta
inicial pública de ações. O autor se utilizou de uma amostra de 292 empresas listadas na
B3, entre 2014 e 2018, e foi definido o grupo de empresas de transporte no segmento de
logística, no caso comparando com os startups iFood e Loggi, dada a similaridade em
termos de perfil de negócios, taxa de crescimento e riscos. Para tal, foi utilizado, entre os
diversos indicadores, o índice P/L. Concluiu que este índice apresentou forte correlação
com o lucro das empresas, embora sinalize que este pode ser desvirtuado em função de
se analisar todos os setores. Por sua vez, o mesmo índice apresentou correlação média (-
0,465 *) em relação ao valor de mercado da empresa. Tal resultado não está de acordo
com o observado nesta pesquisa, uma vez que, ao se analisar todos os setores, observou-
se uma correlação negativa (-105,9). Em relação ao setor de transporte (logística),
inserido no setor industrial, a correlação observada em relação ao P/L, nesta pesquisa, foi
de -68,6198, o que também não está de acordo com o apontado pelo autor em seu trabalho.
6.8 Análises NGC x Variáveis
Neste tópico, serão apresentados os resultados das regressões das variáveis
estudadas em relação ao seu impacto nos níveis de GC das empresas analisadas. Em
termos de Níveis de Governança Corporativa (NGC), quatro foram determinados: o nível
Básico, o Bovespa Mais, Nível 1 e 2 e Novo Mercado. Todos eles já foram apresentados
na seção XXXX, e deve-se destacar que, nesta seção, considerar-se-á a devida análise
para os resultados desta pesquisa que apresentem nível de significância, dada sua
relevância.

Cabe sublinhar, em relação às análises apresentadas, duas observações. A primeira

se trata da regressão geral em que os resultados apresentados possuem um determinado
padrão. Por sua vez, ao se executar a regressão para cada setor, os resultados apurados
são diferentes, dado a especificidade de cada setor. A segunda, trata dos resultados
observados, um determinado setor merece destaque dados os valores obtidos, no caso, o
setor imobiliário.

Segundo Nunes et al. (2020), o segmento imobiliário serve como uma medida da
economia nacional, uma vez que o setor de construção civil tem forte relevância na
geração de empregos, sendo que este segmento, nos últimos anos, representou 10% da
 181

economia nacional. Porém, a partir da crise de 2008, embora tenha sido um período de
crise, Henrique et al. (2022) observaram que o setor de construção começou a apresentar
um crescimento relevante, devido a uma expansão no crédito e na baixa na taxa de juros,
o que acarretou aumento no preço dos imóveis.

No caso específico deste setor, cabem outras considerações. Inicialmente, segundo

Miles et al. (2006), o processo de tomada de decisão neste setor apresenta um ciclo mais
extenso, já que diversas mudanças nos projetos podem alterar os custos e também serem
inviabilizadas sob a ótica econômica. Já Douek e Angelo (2022) analisaram que, no caso
deste setor, a adoção da Environment, Social and Governance (ESG) e seu reflexo no
desempenho financeiro em empresas norte-americanas de capital aberto ocasionam uma
melhor imagem da empresa para com o mercado, porém provocam um aumento nos
custos diretos e indiretos, comprometendo o retorno esperado pelos investidores.

E por último no Brasil, a B3 implantou em 2020 o índice B3/S&P Brasil ESG,

com a participação de 96 empresas, sendo que o índice incorpora empresas de diversos
setores e as empresas do setor imobiliário (real estate) compõem 2,6% do total.

6.8.1 Análises dos resultados da regressão CFROA x NGC

Ao analisar as correlações das variáveis apresentadas em relação ao CFROA,
observou-se o que: no caso da variável EFOP, todos os resultados apresentaram
correlação negativa, sendo que o nível Básico foi o que apresentou maior resultado e sem
nível de significância.

Quanto à variável LIQ, o nível Básico e os níveis 1 e 2 apresentaram correlação

negativa, sendo que o nível Novo Mercado e o nível Bovespa Mais (0,0159)
apresentaram, este último, nível de significância de 1%. Quanto à variável END,
similarmente à variável EFOP, ela também apresentou correlação negativa em todos os
resultados, sendo que os níveis 1 e 2 e Novo Mercado apresentaram níveis de significância
de 1% e 5%, respectivamente.

A variável IMOB, também, similarmente à variável LIQ, apresentou resultados

negativos para os níveis básicos e Nível 1 e 2, porém com nível de significância para o
nível Básico (-0,0923) de 10%; quanto aos níveis Bovespa Mais (0,1346) e Novo
Mercado (0,0304), ambos apresentaram nível de significância de 5%. A variável L
Nativo, similarmente à variável EFOP, apresentou resultados negativos e também sem
nenhum nível de significância, sendo o nível básico o que apresentou maior reflexo.
 182

Quanto às variáveis macroeconômicas, sublinha-se que a primeira PIB apresentou

resultado negativo em todos os níveis de GC. Porém a variável PIB apresentou um forte
impacto no resultado do setor básico, tendo nível de significância de 1%, em comparação
aos outros níveis. Em relação ao IPCA, não foi observado qualquer nível de significância,
sendo que os níveis Básico e Nível 1 e 2 apresentaram correlação positiva, enquanto os
outros níveis apresentaram correlação negativa e o nível Bovespa Mais apresentou maior
impacto. A variável LFT exibiu correlação negativa para todos os níveis, sem nível de
significância, sendo que o nível 1 e 2 foi o que apresentou maior destaque entre os outros.

A variável COVID, por sua vez, também não apresentou nível de significância
para nenhum dos setores, sendo que obteve resultado negativo somente o nível Novo
Mercado. E por último, a variável INOV, inicialmente, não apresentou resultado para o
setor Bovespa Mais. Quanto aos níveis Básico e Nível 1 e 2, estes apresentaram resultados
positivo, como nível de significância de 1% para o primeiro, no caso, o nível Básico
(0,0158) e resultado negativo para o nível Novo Mercado. Todos esses resultados estão
apresentados na tabela 27 abaixo.

Tabela 25– Resultados da regressão CFROA x NGC x Variáveis

Basico Bov Mais Nivel 1 e 2 NM

Efop -0,0011 -0,00001 -0,0003 -0,0004
LIQ -0,0001 0,0159*** -0,0015 0,0011
End -0,0313 -0,0555 -0,0545*** -0,203**
Imob -0,0923* 0,1346** -0,0183 0,0304**
Lnativo -0,0052 -0,0051 -0,0037 -0,0029
PIB -1,463*** -0,1035 -0,2449 -0,2413
IPCA 0,0015 -0,005 0,0004 -0,0001
LFT -0,2574 -0,0268 -0,3809 -0,1862
Covid 0,0048 0,0127 0,0058 -0,0011
Inov 0,0158*** 0,0006 -0,0003

Fonte: Resultados da Pesquisa.

Com base nos valores apresentados, na tabela 27, foi elaborado o gráfico 20.
 183

Gráfico 20- CFROA x NGC x Variáveis

0,2

0,15

0,1

0,05

0
Efop Liq End Imob Lnativo
-0,05

-0,1

-0,15

-0,2

-0,25

CFROA Basico CFROA Bov Mais CFROA Nivel 1 e 2 CFROA NM

Fonte: Resultados da Pesquisa.

Ao analisar os valores apresentados, entre todas as variáveis, há o devido destaque

para aquelas que apresentaram significância. Inicialmente, a variável LIQ apresentou
nível de 0,0159. Bastos (2020) analisou 144 empresas listadas na B3 entre 2010 e 2018,
observando a relação entre práticas de GC, criação de valor e aumento na Liquidez. Deve-
se destacar que o autor observou somente se a empresa possuía ou não nível de GC, não
analisando separadamente os níveis. A correlação entre as variáveis ROA e LIQ foi da
ordem de -0,038, sendo que tal resultado mais se aproxima para o nível 1 e 2, destoando
dos outros níveis.

Quanto à análise do ROA e da GC, Santos et al. (2019) analisaram 18 empresas

listadas na BM&FBOVESPA, entre 2002 e 2013, ao migrarem de um nível para outro de
governança, relacionando, entre outras, o endividamento e a GC. Ao se analisar o ROA,
em si, os autores observaram que a mudança de nível impacta o ROA. Quanto à relação
entre endividamento e GC, esta foi negativa. Segundo os autores, isto se deve a uma
diminuição de investimentos que visem a GC, uma vez que os próprios investidores
observam dispêndios elevados com esse intuito.

Em relação aos resultados apresentados entre a variável ROA e a variável BtM,

os níveis Bovespa Mais e Novo Mercado apresentaram nível de significância. O valor
apurado pelo autor, entretanto, no seu trabalho foi de 0,553, o que difere dos valores
 184

apontados nesta pesquisa, sendo que o valor que mais se aproxima foi o nível Bovespa
Mais.

Para a variável IMOB, Tavares e Penedo (2018) analisaram uma amostra de

empresas ativas e canceladas, com ações na BM&FBOVESPA no período de 2001 a
2015, com exceção das instituições financeiras, buscando identificar relação estatística
entre NDGC (Nível 1 e 2 e Novo Mercado) e as variáveis de desempenho ROA e ROE.
Foram utilizadas variáveis de controle, entre elas, a tangibilidade, que trata da razão entre
o ativo imobilizado sobre o ativo total, havendo, assim, relação com a variável IMOB.
Os autores concluíram que, em relação ao ROA e à intangibilidade, este apresentou
resultado negativo de -2,665, com nível de significância de 5% para os níveis
mencionados acima. Ao comparar com os resultados observados na pesquisa, ocorre a
relação negativa para o nível 1 e 2, mas com significância; por sua vez, há relação positiva
com o nível Novo Mercado, com significância de 5%, o que corrobora, em parte, os
resultados desta pesquisa.

Em relação às variáveis macroeconômicas, especificamente a variável PIB

apresentou resultado com significância de 1%. No caso, Andrade (2020) concluiu que o
PIB possui relação positiva com o PIB da ordem de 0,1075, destoando do resultado
observado nesta pesquisa para todos os níveis pesquisados, conforme o gráfico 21.

Gráfico 21– CFROA x NGC x Variáveis Macroeconômicas

0,200

0,000
Basico Bov Mais Nivel 1 e 2 NM
-0,200

-0,400

-0,600

-0,800

-1,000

-1,200

-1,400

-1,600

PIB IPCA LFT

Fonte: Resultados da Pesquisa Quanto à questão de a empresa ser inovadora ou não,

somente foi observado o nível de significância para o nível básico, sendo que os demais
níveis não se destacaram. Carvalho et al. analisaram 172 empresas não financeiras
 185

listadas na B3 entre 2011 e 2015, com NDGC, levando em conta o grau de

intangibilidade, o ROA e ROE. O grau de intangibilidade, segundo Mazzioni et al.
(2014), é a razão entre o valor de mercado e o valor contábil, sinalizando que, quanto
mais significativo for esse resultado, maior será a participação do ativo intangível na
empresa. Tendo como uma das premissas que o grau de inovação de uma empresa possui
relação com seus ativos intangíveis, os autores concluíram que, em relação ao ROA, o
grau de intangibilidade, na ordem de 0,046, não foi significativo. Tal constatação
corrobora, em parte, o resultado apontado nesta pesquisa, excetuando a questão do nível
básico, em que se apresentou significância.

Gráfico 19– NGC x INOV

0,018

0,016

0,014

0,012

0,01

0,008

0,006

0,004

0,002

0
Basico Bov Mais Nivel 1 e 2 NM
-0,002

Fonte: Resultados da Pesquisa.

Quanto a questão de a empresa ser inovadora ou não. Somente foi ob servado nível de s ignificância para o nível básico, sendo que o s demais níveis não se destacaram. Carvalho et al. analisou 172 empresas não financeiras listadas na B3 entre 2011 e 201 5, com NDGC, levando em conta o grau de in tangib ilidade, o ROA e ROE. O grau de intang ibilidade, segundo Mazzio ni et al. (20 14) é a razão entre o valor de mercado e o valor contábil, sinalizando que quanto mais s ignificativo for esse resultado, maior será a participação do ativo intangível na empresa. Tendo como uma das premissas que o grau de inovação de uma empresa possui relação com seus ativos in tangíveis , os autores conclu íram que em relação ao ROA e o grau de intangibilidade, na ordem de 0,046, não fo i sig nificativo. Tal constatação corrobora, em parte, o resultado apontado nesta pesqu isa, excetuando a questão d o nível básico, onde se apresentou significância.

6.8.2 Análises dos resultados da regressão CFROE x NGC

Ao analisar as correlações das variáveis apresentadas em relação ao CFROE,
observou-se o que se segue: no caso da variável EFOP, somente o nível 1 e 2 apresentou
resultado positivo, tendo este o maior destaque nos valores apurados; quanto aos outros
níveis, todos apresentaram correlação negativa, sendo que o nível Bovespa Mais (-
0,0004) apresentou nível de significância de 1%.

A variável LIQ apresentou resultado positivo para os níveis Básico e Bovespa

Mais (0,0415), este último com nível de significância de 1% e com o maior valor
registrado. Quanto aos outros níveis, estes apresentaram resultados negativos. A variável
End não apresentou nível de significância, tendo somente resultado positivo para o nível
 186

1 e 2. Quanto aos outros setores, todos tiveram resultados negativos, com ênfase para o
nível Básico que apresentou o maior valor.

A variável IMOB demonstrou somente resultado negativo para o nível 1 e 2, sendo

os demais positivos, com destaque para o valor apurado para o setor Básico e o nível de
significância do nível Bovespa Mais (0,2122) com nível de significância de 10%.
Quanto à variável L NATIVO, somente o nível Bovespa Mais apresentou
resultado negativo, tendo todos os demais níveis valores positivos, com destaque para o
nível Básico que apresentou o maior valor, sendo que nenhuma delas apresentou nível de
significância.

Quanto às variáveis macroeconômicas, no caso, da variável PIB, esta apresentou

resultados negativos para todos os níveis, exceto para o nível 1 e 2, com destaque para o
valor apresentado no nível Básico. Em relação ao IPCA, este apresentou resultado
negativo para os níveis Básico e Novo Mercado, tendo maior destaque o valor para o nível
Básico e os demais setores, resultados positivos. A variável LFT apresentou resultado
positivo somente para o nível Bovespa Mais, sendo que, para todos os outros, os
resultados foram negativos, com o devido destaque para o Nível 1 e 2 (-6,9088) dada sua
magnitude e nível de significância de 10%.

A variável COVID não apresentou nível de significância para os níveis, sendo que
o nível Básico e nível 1 e 2 apresentaram resultados negativos, enquanto os outros setores
tiveram resultados positivos. Finalmente, a variável INOV não apresentou resultado para
o nível Bovespa Mais e resultados positivo para os níveis 1 e 2 e Novo Mercado e negativo
para o nível Básico.

Tabela 26- Resultados da regressão CFROE x NGC para as variáveis

Básico Bov Mais Nível 1 e 2 NM

Efop -0,1 -0,0004*** 0,0087 -0,0056
Liq 0,002 0,0415*** -0,0034 -0,001
End -1,6658 -0,0912 0,3326 -0,281
Imob 0,7248 0,2122* -0,2881 0,1465
Lnativo 0,382 -0,0039 0,0309 0,0145
PIB -7,2666 -1,4204 1,9025 -3,2602
IPCA -0,0323 0,0014 0,0131 -0,024
LFT -3,967 0,9729 -6,9088* -2,0123
Covid -0,0669 0,0114 -0,0066 0,0206
Inov -0,0001 0,0156 0,0232
Fonte: Resultados da Pesquisa.
 187

Em relação ao nível de significância, a variável EFOP apresentou nível de

significância de 1% com resultado negativo. De acordo com Carvalho et al., a variável
eficiência operacional apresenta relação negativa com o ROE independentemente do
nível de governança da empresa. O autor sugere que, quanto maior o valor desta variável,
menor será o valor do ROE. Tal conclusão, em parte, corrobora o apresentado nesta
pesquisa, frente à existência de divergência em relação ao nível 1e 2. Em relação à
variável LIQ, esta apresentou, também, nível de significância de 1%. Segundo os autores,
foi observada uma relação negativa de -1,843 com significância de 5% para empresas
com nível de GC. Novamente, o resultado corrobora em parte os achados nesta pesquisa,
com o fato de que os níveis mais elevados de GC apresentam resultados negativos,
embora sem a devida significância.

Quanto à relação do CFROE com a variável IMOB, Tavares e Penedo (2018)

obtiveram a relação da ordem de -4,169 com significância de 10%. Este resultado está em
desacordo com o apresentado nesta pesquisa, sendo que somente foi observado resultado
negativo nos níveis 1 e 2. As observações apresentadas podem ser observadas no gráfico
23 abaixo.

Gráfico 20- CFROE x NGC x Variáveis

0,5

0
Efop Liq End Imob Lnativo
-0,5

-1

-1,5

-2

CFROE Basico CFROE Bov Mais CFROE Nivel 1 e 2 CFROE NM

Fonte: Resultados da Pesquisa.

Quanto às variáveis macroeconômicas, somente a variável LFT apresentou nível

de significância com resultado negativo. No caso, Andrade (2020) concluiu, em seu
 188

trabalho, especificamente em relação ao setor de telecomunicação, a existência de uma

relação positiva, com nível de significância de 10% da variável LFT em relação ao
CFROE. Tal observação corrobora Pandini Fabre e Stipp (2018), ao analisarem o impacto
das variáveis macroeconômicas nas variáveis de desempenho financeiro das empresas do
setor de Consumo Cíclico e Não Cíclico da BM&F Bovespa, entre 2008 e 2015. No que
se refere à questão da GC, Andrade (2020) também detectou uma relação positiva entre
o nível 1 e o ROE, com nível de significância de 1%. No caso, os resultados destoam do
que foi apurado nesta pesquisa. Tal fato decorre em função da amostra pesquisada que
pode comprometer todo o resultado. As observações expostas podem ser observadas no
gráfico 24 abaixo.

Gráfico 24- CFROE x NGC x Variáveis Macroeconômicas

100

0
Básico Bov Mais Nível 1 e 2 NM
-100

-200

-300

-400

-500

PIB IPCA LFT

6.8.3 Análises dos resultados da regressão CFROIC x NGC

Ao analisar as correlações das variáveis apresentadas em relação ao CFROIC,
detectou-se o que se segue: no caso da variável EFOP, somente os níveis Bovespa Mais
e Novo Mercado apresentaram resultados positivos, enquanto os níveis 1 e 2 e básico (-
4,9036) apresentaram resultados negativos, sendo que este último apresentou nível de
significância de 10%.

A variável LIQ apresentou somente resultado positivo para o nível Básico, sendo
que os demais níveis mostraram resultados negativos, não havendo nenhum nível de
significância. Quanto à variável ENDIV, esta apresentou resultado positivo para os níveis
Básico, com destaque para o valor de 10,5322 e Novo Mercado; quanto aos níveis Novo
 189

Mercado e Bovespa Mais, estes apresentaram resultados negativos, sendo que este último
nível apresentou nível de significância de 5%.

A variável IMOB somente apresentou resultado positivo para o nível Bovespa

Mais, os outros apresentaram resultado negativo, com destaque para o valor apresentado
no nível Básico (-29,9688) e também para o valor do nível Novo Mercado (-2,1572), com
nível de significância de 5%. Quanto à variável L NATIVO, todos os níveis revelaram
resultados negativos, sendo que nenhum deles apresentou nível de significância.

Para a variável COVID, somente o nível Bovespa Mais apresentou resultado

positivo (-0,0566) com nível de significância de 1%, sendo os demais níveis com
resultado negativo. Quanto à variável INOV, não foi observado resultado para o setor
Bovespa Mais, assim como também não houve nível de significância para os níveis, e
todos os resultados apresentados foram positivos.

Tabela 27- Resultados da regressão CFROIC x NGC para as variáveis

Básico Bov Mais Nível 1 e 2 NM

Efop -4,9306* 0,0001 -0,0664 0,4048
Liq 4,3765 -0,0195 -0,1372 -0,2727
End 10,5322 -0,3993** -0,4731 0,4383
Imob -29,9688 0,3366 -0,8804 -2,1572**
Lnativo -0,1121 -0,0051 -0,2419 -0,6574
PIB -131,5056 -3,1993 -9,6609 -27,4241*
IPCA 4,1315 -0,0057 0,1252 0,0526
LFT -439,1166 -0,8848 -10,3975 49,9293
Covid -8,0329 0,0566*** -0,2897 -0,0886
Inov 0,7069 0,1749 0,34
Fonte: Resultados da Pesquisa.

Com base nas variáveis que apresentaram nível de significância, a EFOP

apresentou nível de significância de 10% para o nível básico. Estudos que corroboram tal
resultado são escassos. No caso, Savelli (2019) investigou a relação da GC na estrutura
de capital das empresas não financeiras listadas no índice Brasil (IBrX-50) no período de
2010 a 2017. Porém algumas observações merecem destaque neste estudo. A medida
utilizada para mensurar a eficiência operacional foi o ROIC, e, quanto à questão da GC,
não foram observados os níveis de GC, mas, sim, se a constituição do Conselho
Administrativo era independente, o número de mulheres no Conselho e o seu desempenho
e a dualidade do CEO como presidente da empresa e do Conselho. A autora apurou que
somente a dualidade do CEO apresentou relevância estatística. Tal resultado, embora
 190

apresente uma relação, aponta para um resultado inconclusivo nesta pesquisa, uma vez
que as análises não apresentam a devida relação.

Caixe et al. (2014) investigaram se as adoções de práticas de governança

corporativa influenciam o valor de mercado das companhias brasileiras, com 233
empresas, no período de 2002 a 2010. Os resultados apontam que as empresas que estão
nos níveis 1, 2 e Novo Mercado são mais valorizadas pelo mercado, quando comparadas
com as empresas listadas no segmento tradicional. O ROIC apresentou coeficiente
positivo e significante a 10%, o que não corrobora os dados apresentados nesta pesquisa.
Já em relação ao endividamento, Bai et al. (2004) analisaram o desempenho de empresas
chinesas no período de 1999 a 2001 e concluíram que as empresas são menos valorizadas
pelo mercado quando o Estado é o seu maior controlador e existe sobreposição no cargo
de diretor presidente e presidente do conselho. Em relação ao imobilizado, os autores
também ponderaram que, em relação aos níveis de governança, os resultados mostram
correlação negativa, o que corrobora os resultados da pesquisa.

Gráfico 21- CFROIC x NGC x Variáveis

15
10
5
0
Efop Liq End Imob Lnativo
-5
-10
-15
-20
-25
-30
-35

CFROIC Basico CFROIC Bov Mais CFROIC Nivel 1 e 2 CFROIC NM

Fonte: Resultados da Pesquisa.

Em relação às variáveis macroeconômicas, os resultados apurados para a variável

PIB foram negativos para todos os níveis com destaque para o nível Básico (-131,5056)
e para o nível Novo Mercado (-27,4241) com nível de significância de 10%. Quanto ao
IPCA, não houve nível de significância para os níveis sendo que somente o nível Bovespa
Mais apresentou resultado negativo. Quanto a LFT, também não foi registrado nível de
 191

significância para os níveis, sendo que somente o nível Novo Mercado apresentou
resultado positivo e com destaque para o valor apresentado no nível Básico (-439,1166).

Diversos estudos apresentam o PIB como fator relevante para um melhor

desempenho da empresa, dado o aumento na atividade econômica, porém, segundo Chain
et al. (2021), o ROIC apresenta influência negativa pois afeta a distribuição de dividendos
das empresas. Porém dado os níveis diferenciados de governança corporativa estes
impactam positivamente nas empresas que distribuem menos dividendos e negativamente
nas empresas que distribuem mais dividendos. Tal constatação é inconclusiva em relação
aos dados apresentados nesta pesquisa. Quanto à questão da COVID, segundo Abrantes
(2021), nota-se que houve diminuição do ROA entre 2019 e 2020 dada a queda na
produção e na rentabilidade dos ativos, não pontuando maior relevância quanto ao ROIC,
o que está em desacordo com o observado nesta pesquisa.

Gráfico 26- CFROIC x NGC x Variáveis Macroeconômicas

100

0
Básico Bov Mais Nível 1 e 2 NM
-100

-200

-300

-400

-500

PIB IPCA LFT

Fonte: Resultados da Pesquisa

Para a variável COVID, somente o nível Bovespa Mais apresentou resultado

positivo (-0,0566) com nível de significância de 1%, sendo os demais níveis com
resultado negativo. Acerca da variável INOV, não foi observado resultado para o setor
Bovespa Mais, assim como também não houve nível de significância para os níveis, sendo
que todos os resultados apresentados foram positivos.
 192

Gráfico 22- COVID x NGC

0
Basico Bov Mais Nivel 1 e 2 NM
-1

-2

-3

-4

-5

-6

-7

-8

-9

Fonte: Resultados da Pesquisa.

6.8.4 Análises dos resultados da regressão BtM x NGC

Os resultados apresentados concernentes à variável BtM apresentaram níveis de
significância nos diversos níveis analisados. Contudo o nível Bovespa Mais apresentou
maior número de incidências, o que aponta uma significativa correlação.

Para a variável EFOP, somente o nível Básico apresentou resultado positivo,

sendo os demais negativos com destaque para o nível Bovespa Mais (-0,0031) com nível
de significância de 1%.

A variável LIQ apresentou resultado negativo para os níveis Básico e Bovespa

Mais (-0,3002), sendo que este último apresentou nível de significância de 5%. Os outros
níveis apresentaram resultados positivos, e, para o nível Novo Mercado (0,1443), houve
nível de significância de 10%.

A variável ENDIV apresentou resultado negativo para os níveis Básico e Novo

Mercado. Os outros setores apresentaram resultados positivos, sendo que o nível Bovespa
Mais (4,1752) apresentou nível de significância de 1%. Quanto à variável IMOB, os
resultados positivos foram observados para os níveis 1 e 2 e Novo Mercado, já o nível
básico e Bovespa Mais (-3,8613) apresentaram resultados negativos, sendo que este
último apresentou nível de significância de 5%.

Para a variável L NATIVO, todos os valores apresentados foram negativos, sendo

que somente o nível básico não apresentou nível de significância. No caso, o nível
 193

Bovespa Mais (-0,0869) apresentou nível de significância de 1%; o nível 1 e 2 (-0,2185),

com 10%; e o nível Novo Mercado (-0,8205), com nível de 1%, conforme tabela abaixo.

Tabela 30- Resultados da regressão BtM x NGC para as variáveis

Básico Bov Mais Nivel 1 e 2 NM

Efop 0,0007 -0,0031*** -0,0492 -0,0362
Liq -0,0088 -0,3002** 0,0263 0,1443*
End -0,7048 4,1752*** 0,1475 -0,448
Imob -0,982 -3,8613** 0,4423 0,4795
Lnativo -0,0393 -0,0869* ** -0,2185* -0,8205***
PIB 24,2920*** 16,6436** 16,0521** 3,7028
IPCA -0,0325 -0,002 -0,0533*** 0,1686***
LFT -22,6676*** -35,7678 -21,2829** -46,7229***
Covid 0,2301** 0,03773*** 0,0636 0,2039*
Inov 0,2456** -0,0362 0,0668
Fonte: Resultados da Pesquisa.

Os resultados acima podem ser observados no gráfico 28, abaixo.

Gráfico 28– BtM x NGC x Variáveis Desempenho

5
4
3
2
1
0
Efop Liq End Imob Lnativo
-1
-2
-3
-4
-5

BTM Basico BTM Bov Mais BTM Nivel 1 e 2 BTM NM

Fonte: Resultados da Pesquisa.

Para as variáveis macroeconômicas, no caso do PIB, todos os resultados

apresentados foram positivos. Excetuando o nível Novo Mercado, todos os outros
apresentaram nível de significância, destacando para o nível Básico (24,2920) nível de
1%; Bovespa Mais (16,6436) e Nível 1 e 2 (16,0521) ambos com 5%. Para o IPCA,
 194

somente o nível Novo Mercado apresentou resultado positivo (0,1686) com nível de
significância de 1%. Todos os outros apresentaram resultados negativos, sendo que o
nível 1 e 2 obteve nível de significância de 1%. Quanto a LFT, os níveis Básico (22,6676)
e Novo Mercado (46,7229) apresentaram resultados positivos, enquanto os níveis
Bovespa Mais e 1 e 2 apresentaram resultados negativos, sendo que este último obteve
nível de significância de 1%. Segue a representação no gráfico 29 abaixo.

Gráfico 23 - BtM x NGC x Variáveis Macroeconômicas

30,0000

20,0000

10,0000

0,0000
Basico Bov Mais Nivel 1 e 2 NM
-10,0000

-20,0000

-30,0000

-40,0000

-50,0000

-60,0000

PIB IPCA LFT

Fonte: Resultados da Pesquisa.

Para a variável COVID, todos os resultados apresentados foram positivos, sendo

que somente os níveis 1 e 2 não apresentaram nível de significância. O nível Básico
(0,2301) apresentou nível de 5%; o nível Bovespa Mais (0,03773), nível de 1%. Já a
variável INOV não apresentou resultado para o nível Bovespa Mais, sendo que os níveis
1 e 2 apresentaram resultado negativo e os níveis Básico e Novo Mercado tiveram
resultados positivos, sendo que o primeiro, Básico (0,2456), obteve nível de significância
de 5%.

6.8.5. Análises dos Resultados da Regressão P/L x NGC

Os resultados apresentados concernentes à variável P/L também exibiram no nível
Bovespa Mais um maior número de incidências, o que aponta uma significativa
correlação.

Para a variável EFOP, somente o nível Bovespa Mais apresentou resultado

positivo, sendo que todos os outros níveis demonstraram resultados negativos, sendo que
 195

o nível Novo Mercado (-6,7244) teve nível de significância de 10%. A variável LIQ
apresentou todos os resultados positivos, com destaque para o valor apresentado para o
nível Novo Mercado (30,428) e para o nível Bovespa Mais (16,1544), com nível de
significância de 1%.

A variável ENDIV apresentou somente resultado negativo para o nível Bovespa

Mais, sendo que nenhum dos níveis apresentou significância. Cabe o destaque para o
valor do nível Novo Mercado da ordem de 155,1329. A variável IMOB somente
apresentou resultado positivo para o nível Novo Mercado, com destaque para o valor
apurado de 182,1949 sem nenhum nível de significância. A variável L NATIVO somente
apresentou resultado positivo para o nível Novo Mercado, sendo todos os outros tiveram
resultados negativos. Ganha relevo o setor Bovespa Mais (-39,472) que apresentou nível
de significância de 1%, conforme apresentado na tabela 31.

Tabela 28- Resultados da regressão P/L x NGC para as variáveis

Básico Bov Mais Nível 1 e 2 NM

Efop -1,6068 0,1183 -7,2853 -6,7244*
Liq 4,5685 16,1544*** 9,6799 30,428
End -5,3958 57,4673 63,4576 -155,1329
Imob -29,6508 -16,6243 -2,4111 -182,1949
Lnativo -4,2017 -39,472*** -5,3671 6,0943
PIB -673,9200 1911,876** 2146,407 1440,978
IPCA -2,2938 31,3931*** -16,7032* -13,114
LFT -1142,219 -443,5101 -344,9675 -728,2898
Covid 14,1837 13,1117** 24,7777 7,9629
Inov -25,5608** -16,8985 -131,2276
Fonte: Resultados da Pesquisa.

Os resultados expostos em relação à variável P/L também apresentaram no nível

Bovespa Mais um maior número de incidências, o que aponta uma significativa
correlação.

Para a variável EFOP, somente o nível Bovespa Mais apresentou resultado

positivo, sendo que todos os outros níveis demonstraram resultados negativos e o nível
Novo Mercado (-6,7244) teve nível de significância de 10%. A variável LIQ exibiu todos
os resultados positivos, com destaque para o valor apresentado para o nível Novo
Mercado (30,428) e para o nível Bovespa Mais (16,1544) que apresentou nível de
significância de 1%.
 196

A variável ENDIV apresentou somente resultado negativo para o nível Bovespa

Mais, sendo que nenhum dos níveis revelou significância. Cabe a ênfase para o valor do
nível Novo Mercado da ordem de 155,1329. A variável IMOB somente apresentou
resultado positivo para o nível Novo Mercado, com destaque para o valor apurado de
182,1949 sem nenhum nível de significância. A variável L NATIVO somente apresentou
resultado positivo para o nível Novo Mercado, sendo que todos os outros resultados foram
negativos. Dá-se destaque para o setor Bovespa Mais (-39,472) que apresentou nível de
significância de 1%, conforme o gráfico 30.

Gráfico 30- P/L x NGC x Variáveis Desempenho

100

50

0
Efop Liq End Imob Lnativo
-50

-100

-150

-200

PL Basico PL Bov Mais PL Nivel 1 e 2 PL NM

Fonte: Resultados da Pesquisa.

Em relação às variáveis macroeconômicas, a variável PIB apresentou resultado

positivo para todos os níveis, com destaque para os valores observados dada sua
magnitude, sendo que somente o nível Bovespa Mais (1911,876) apresentou nível de
significância de 5%. Quanto ao IPCA, somente o nível 1 e 2 (-16,7302) apresentou
resultado negativo, com nível de significância de 10%; por sua vez, o nível Bovespa Mais
(31,3931) apresentou nível de 1%, sendo este e os outros níveis com resultados positivos.
Por sua vez, a LFT apresentou o mesmo resultado quanto ao IPCA, porém com valores
mais significativos, sendo que não foram observados níveis de significância.
 197

Gráfico 24- P/L x NGC x Variáveis Macroeconômicas

2.500,0000

2.000,0000

1.500,0000

1.000,0000

500,0000

0,0000
Basico Bov Mais Nivel 1 e 2 NM
-500,0000

-1.000,0000

-1.500,0000

PIB IPCA LFT

Fonte: Resultados da Pesquisa.

A variável COVID apresentou resultados positivos, sendo que somente o

nível Bovespa Mais (13,1117) apresentou nível de significância de 5%. Para a variável
INOV, novamente o nível Bovespa Mais não apresentou resultado, com destaque para o
valor apresentado para o nível Novo Mercado, enfatizando que somente o nível Básico (-
25,5608) obteve nível de significância de 5%. Silva (2022) analisou o umpacto da
COVID-19 na relação entre a remuneração dos executivos de empresas brasileiras,
listadas na B3, e os indicadores res financeiros de Retorno sobre o Ativo (ROA), índice
Preço/Lucro e investimento em ativos de longo prazo. O autor analisou todas as empresas
não financeiras ativas na bolsa de valores brasileiros, nos anos de 2016 a 2021. Os
resultados apurados forma a existência de uma relação positiva entre a remuneração dos
executivos e a relação Preço/Lucro da ação nas empresas brasileiras listadas na B3, sendo
esta distinta para o período pré e durante a COVID-19. O autor concluiu que não foi
detectado diferença relevante no período pré-COVID (2016-2019) e pandêmico (2020-
2021). Tal resultado não corrobora o observado nesta pesquisa.
 198

Gráfico 25- P/L x NGC x COVID

30

25

20

15

10

0
Básico Bov Mais Nível 1 e 2 NM

Fonte: Resultados da Pesquisa.

Para variável INOV, os valores foram relevantes, havendo apenas nível de

significância de 5% para o nível Básico. Marques (2018) analisou de que maneira a
Governança Corporativa afeta e agrega valor nas empresas do setor varejista e atacadista
brasileiro. Foram pesquisadas 45 empresas de capital aberto entre os anos de 2011 e 2016.
Os resultados encontrados demonstram que há uma correlação negativa significativa entre
disclosure e a agregação de valor nas empresas, isto é quanto mais a empresa investe em
posturas de transparência e evidenciação, menos ela gera valor adicionado. Embora não
se destaque o caráter inovativo não de faça presente na maioria destas empresas, nem a
discriminação dos seus níveis de governança. Este resultado está de acordo com os
resultados observados na pesquisa embora não seja possível determinar os efeitos para os
níveis diferenciados de governança.

Gráfico 26 - P/L x NGC x INOV

0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
Básico Bov Mais Nível 1 e 2 NM

Fonte: Resultados da Pesquisa.

 199

6.9 Síntese dos Resultados

O objetivo desta seção é apresentar, de forma sintetizada, os diversos resultados

encontrados na pesquisa, de modo a relacionar os efeitos das variáveis de desempenho
financeiro e econômicas com os setores pesquisados. Junto a isso, apresentam-se as
relações com as variáveis macroeconômicas e os NDGC. No quadro 23 se observa o
desempenho das variáveis por setor, isto é, quais foram os setores que apresentaram
relação para com as variáveis de desempenho.

Ao analisar a variável EFOP em relação as variáveis de desempenho, CFROA,

CFROE e CFROIC se observou que os setores de consumo padrão e tecnologia da
informação foram os que apresentaram maior relevância, bem como os setores de energia,
saúde e utilidade pública, especificamente para o CFROE. Para a variável LIQ, os setores
de consumo padrão, material básico e telecomunicação forma os que tiveram maior
destaque, sendo que não foi observada relação para o CFROE. Para a variável ENDIV, o
setor de energia teve maior destaque, seguido dos setores de consumo padrão e material
básico. A variável IMOB apresentou relevância para diversos setores, sendo que em
relação ao CFROA não foi observada qualquer relação. A mesma situação ocorreu para
a Variável TAMANHO, quanto ao CFROA, sendo que para as outras variáveis de
desempenho, o maior destaque foi parar o setor de tecnologia de informação.
 200

Quadro 23: Efeitos das variáveis no desempenho por setor.

CFROA CFROE CFROIC

Padrao Padrao
EFOP Energia
Saúde CFROA CFROE CFROIC
Tecnol Tecnol Tecnol Discric
Util Pub Energia

IMOB
Padrão Padrão Mat Bas
Saúde
LIQ

Mat Bas Mat Bas

Tecnol Tecnol
Telecom Telecom Util Pub
Padrão Padrão Discric

TAMANHO
Energia Energia Energia Padrão
ENDIV

Mat Bas Mat Bas Ind

Saude Saúde
Telecom Tecnol Tecnol

Fonte: elaborado pelo autor

No quadro 24, por sua vez, se observa o desempenho das variáveis

macroeconômicas por setor, isto é, dado o setor e a variável analisada, quais as variáveis
macroeconômicas que mais afetaram o desempenho.

Quanto a relação das variáveis macroeconômicas PIB, IPCA e LFT com as

variáveis foi observado que a variável IPCA não foi relevante. Dentre todas elas a variável
LFT foi a que apresentou maior relação, principalmente para os setores de consumo
padrão e de energia.

Quadro 24: Efeito das Variáveis Macroeconômicas por setor.

CFROA
Padrao LFT
Energia LFT
Util PIB
CFROE
Discric PIB
Padrao LFT
Energia LFT
Mat Bas LFT
Util PIB
CFROIC
Tecnol PIB
Telecom LFT
Fonte: elaborado pelo autor
 201

Quanto aos quadros 25 e 26, apresentam como a variável COVID e INOV

afetaram o desempenho dos setores indicados.

A relação da variável COVID para com as variáveis de desempenho apresentaram

maior destaque para os setores de indústria e tecnologia de informação. Salientando que
não foi observada qualquer relação para o CFROIC. Já a variável INOV teve maior
relevância para os setores de consumo padrão e tecnologia da informação, sendo que não
foi observado relação com o CFROA.

Quadro 25: Efeito da variável COVID por setor.

CFROA CFROE CFROIC

Discric
Padrao
Energia
Imob
Ind COVID COVID
Mat Bas
Saude COVID
Tecnol COVID COVID
Telecom
Util COVID
Fonte: elaborado pelo autor

Quadro 26: Efeito da variável INOV por setor.

CFROA CFROE CFROIC

Padrao INOV
Saude INOV
Tecnol INOV INOV
Util INOV
Fonte: elaborado pelo autor

O quadro 27 representa o efeito das variáveis em relação ao BtM e quais setores

foram afetados.

A relação da variável BtM com as variáveis de desempenho interno apresentou

uma maior relação para com os setores de material básico, saúde, tecnologia da
informação, telecomunicação, utilidade pública e consumo discricionário.
 202

Quadro 27: Efeitos da variável BtM por setor.

Energia

EFOP
Mat Bas
Saude
Mat Bas
Tecnol
LIQ

Telecom
Util
Discric
ENDIV

Discric
Ind
TAMANHO

saude
Tecnol
Telecom
Util
Fonte: elaborado pelo autor

No quadro 28 são apresentados os efeitos das variáveis macroeconômicas,

COVID e INOV por setor, sinalizando como que cada variável afetou um dado setor.

Ao se analisar a relação entre a variável BtM com as variáveis macroeconômicas,

todas estas se mostram relevantes para quanto aos setores analisados, com destaque para
os setores de indústria e saúde, ambos sendo afetados pelas três variáveis. Quanto a
variável COVID, foi observado relevância para os setores indústria, material básico,
tecnologia da informação e utilidade pública. Já a variável INOV para os setores de
material básico e saúde.
 203

Quadro 28: Efeitos das Variáveis Macroeconômicas, Covid e Inov em relação a variável BtM por setor.

Desempenho Variaveis Macro (BtM)

Discric IPCA LFT
Padrao IPCA
Imob IPCA LFT
Ind PIB IPCA LFT
Mat Bas PIB LFT
Saude PIB IPCA LFT
Tecnol PIB LFT
Util PIB LFT
Desempenho COVID (BtM)
Ind COVID
Mat Bas COVID
Tecnol COVID
Util COVID
Desempenho INOV (BtM)
Mat Bas INOV
Saude INOV
Fonte: elaborado pelo autor

O quadro 29 apresenta os setores afetados pela relação entre as variáveis de

desempenho e a variável P/L.

Quanto a relação da variável P/L com as variáveis de desempenho, somente as

variáveis de desempenho LIQ, ENDIV e TAM apresentaram relevância. A variável LIQ
foi a que influenciou mais setores. Com destaque para os setores de consumo
discricionário e energia.

Quadro 29: Efeitos da variável P/L por setor.

Discric
Padrao
Energia
LIQ

Ind
Mat Bas
Tecnol
Telecom
Discric
TAMANHO ENDIV

Energia

Fonte: elaborado pelo autor

 204

O quadro 30 apresenta os efeitos das variáveis macroeconômicas e INOV por

setor, sinalizando como que cada variável afetou um dado setor, cabe ressaltar que neste
caso a variável COVID não apresentou qualquer relevância.

A relação da variável P/L com as variáveis macroeconômicas afetou cinco setores

sendo que se mostrou mais relevante para o setor de consumo padrão, que foi afetado pelo
comportamento do PIB e da LFT, sendo que esta variável foi a que mais apresentou
relevância para os demais setores.Quanto a variável INOV, esta apenas se mostrou
signidicativa para o setor de tecnologia de informação. Destaca-se que não foi observado
efeito da variável COVID pa ra nenhum setor nesta relação.

Quadro 30: Efeitos das variáveis Macroeconômicas, INOV em relação a variável P/L por setor.

Desempenho (P/L) Variaveis Macro

Padrao PIB LFT
Energia LFT
Imob IPCA
Tecnol LFT
Telecom PIB
Desempenho (P/L) INOV
Tecnol INOV
Fonte: elaborado pelo autor

Neste contexto, o quadro 31, agora, representa quais variáveis de desempenho

sofrem influência em função do NDGC.

Quanto a relação entre os níveis de governança e as variáveis de desempenho

analisadas, foi observado que que o nível de governança Bovespa Mais foi o mais
significativo nesta relação seguido pelo setor Básico. Destaca se que o Nível 1 e 2 não
apresentou destaque.
 205

Quadro 31: Efeitos dos NDGC para as variáveis de desempenho.

CFROA/NDGC
LIQ Bov Mais
END Nivel 1 e 2 NM
IMOB Basico Bov Mais NM
PIB Basico
INOV Basico
CFROE/NDGC
EFOP Bov Mais
LIQ Bov Mais
IMOB Bov Mais
CFROIC/NDGC
EFOP Basico
END Bov Mais
IMOB NM
PIB NM
COVID Bov Mais
Fonte: elaborado pelo autor

E por último, no quadro 32, que apresenta o efeito das variáveis de desempenho
em relação as variáveis BtM e P/L por NDGC.

Quanto a análise da variável BtM em relação aos níveis de governança e das

variáveis de desempenho se observou que o nível Bovespa Mais foi o que apresentou
maior relevância, destacando que o nível Básico não apresentou qualquer relevância
dentre os níveis analisados. Em relação as variáveis macroeconômicas, o PIB e a LFT
foram as que mais impactaram as empresas listadas nos níveis de governança. A variável
COVID também se mostrou relevante, exceto pelo nível 1 e 2. E, por último, a variável
INOV foi relevante somente para o nível básico.

Quanto a variável P/L, mais uma vez o nível Bovespa Mais apresentou destaque,
contudo somente para as variáveis LIQ e L NATIVO. Quanto a relação com as variáveis
macroeconômicas, o PIB afetou somente o nível Bovespa Mais enquanto que o IPCA os
níveis Bovespa Mais e Nível 1 e 2, não foi observado influência da LFT. Quanto a
variável COVID somente apresentou relação com o setor Bovespa Mais, sendo que não
foi observada qualquer relação para com a variável INOV.
 206

Quadro 32: Efeitos dos NDGC para as variáveis de desempenho com base no BtM e P/L.

BtM/NDGC
EFOP Bov Mais
LIQ Bov Mais NM
END Bov Mais
IMOB Bov Mais
L NATIVO Bov Mais Nivel 1 e 2 NM
PIB Basico Bov Mais Nivel 1 e 2
IPCA Nivel 1 e 2 NM
LFT Basico Nivel 1 e 2 NM
COVID Basico Bov Mais NM
INOV Basico
P/L/NDGC
EFOP NM
LIQ Bov Mais
L NATIVO Bov Mais
PIB Bov Mais
IPCA Bov Mais Nível 1 e 2
COVID Bov Mais
Fonte: elaborado pelo autor
 207

7 CONCLUSÃO
O objetivo deste estudo foi o de responder à questão básica se a adoção das normas
referentes à governança corporativa, no caso os níveis, influencia no desempenho
financeiro e de mercado das empresas consideradas inovadoras e não inovadoras. Para
tal, analisou empresas listadas na B3, que possuam selo ANPEI, em todos os setores,
excetuando o setor financeiro. A questão temporal oriunda do ambiente macroeconômico
também é relevante no desempenho das empresas, uma vez que se vislumbrou um período
recessivo e de reversão (crescimento). A contribuição deste trabalho está na questão do
resultado da interação entre o que se constituem empresas inovadoras e não inovadoras,
tendo elas níveis diferenciados de governança, e a maneira como estas vêm a afetar o seu
desempenho financeiro.

Destaca-se, com base na amostra selecionada, a correlação entre os indicadores

CFROA, CFROE e CFROIC e os indicadores de Eficiência Operacional, Liquidez,
Endividamento, Imobilizado e L Nativo (Tamanho), visando pesquisar o desempenho das
empresas. Diversos foram os resultados apurados, nesta pesquisa, dado o número de
variáveis a serem analisadas juntamente ao número de setores e suas peculiaridades, o
que permitiu diversas conclusões que serão detalhadas na sequência.

Em relação à regressão geral, do CFROA com estas variáveis, os resultados

apurados foram de correlações negativas, na sua maioria, com baixos níveis de
significância. O CFROE e o CFROIC também apresentaram o mesmo comportamento,
sendo que o CFROIC não apresentou qualquer nível de significância. Sob a ótica das
variáveis macroeconômicas, o CFROIC registrou valores relevantes, mas sem nível de
significância, enquanto as variáveis PIB e LFT registraram nível de significância para
com as outras variáveis. Quanto à questão de a empresa ser inovadora, não foi registrado
valor relevante, assim como não houve níveis de significância.

Já as variáveis de desempenho de mercado, no caso o BtM, também apresentaram

resultados negativos, embora tenham ocorrido maiores observações com nível de
significância. A variável LFT foi relevante para esta variável, assim como para o índice
P/L, que, embora não tenha apresentado nível de significância, apresentou valores
significativos nas correlações. E em relação à questão da inovação, o P/L possui
relevância para a empresa.
 208

No que concerne às relações entre as variáveis CFROA, CFROE e CFROIC e os

diversos indicadores em relação aos setores econômicos pesquisados, os resultados
apurados são distintos, porém se observam algumas similaridades na análise em relação
a determinados setores. No caso, a eficiência operacional apresentou relevância para os
setores de tecnologia da informação ao relacionar as variáveis citadas. A liquidez
apresentou relevância para os setores de consumo padrão e material básico, com destaque
para o CFROIC. O endividamento foi significativo para o setor de energia, nos três
retornos, uma vez que este, por ser regulado pelo Estado, sofre pressão em relação à
composição dos seus preços. O imobilizado apresentou maior destaque para com o
CFROE e CFROIC para alguns setores, sem se observar uma maior relevância para um
ou outro setor. Quanto ao L Nativo, o setor de tecnologia de informação exibiu resultados
com níveis de significância, para as variáveis CFROE e CFROIC.

Quanto à relação do CFROA para as variáveis macroeconômicas, frisa-se que a

variável LFT foi a que apresentou mais relevância para os retornos, principalmente para
os setores de material básico e tecnologia da informação, sendo que o mesmo foi
constatado para o CFROE, principalmente nos setores de consumo padrão e energia e
ainda o de material básico. Quanto ao CFROIC, este foi o que apresentou menor
significância para os setores pesquisados, tendo o PIB maior destaque.

A questão da variável COVID serve como variável de controle, uma vez que o
período analisado contemplou o período analisado. Os resultados apresentados
apresentam maior significância para as variáveis CFROA e CFROE, nos setores industrial
e de tecnologia da informação. Quanto à variável INOV, os resultados apresentados
destacam a relevância do setor de tecnologia de informações em relação a CFROE e
CFROIC, sendo que os demais não apresentaram resultados mais relevantes.

Quanto à relação entre a variável de desempenho de mercado, primeiramente a

variável BtM, os resultados apresentados se mostram mais relevantes em relação às
variáveis EFOP, LIQ e L NATIVO, nos setores de consumo geral e de utilidade pública.
Ao analisar a correlação do BTM com as variáveis macroeconômicas, a mesma relevância
se apresenta destacando as variáveis IPCA e a LFT influenciando em quase todos os
setores. Quanto à relação com a variável COVID, esta se mostrou significativa para
alguns setores, no caso, o setor industrial e de utilidade pública. E quanto à variável
INOV, esta foi significativa somente para o setor de material básico e de saúde.
 209

Quanto ao índice P/L, este se mostrou com elevados níveis de significância

levando em conta a variável LIQ em basicamente todos os setores econômicos, sendo
que, para os demais setores e variáveis, nenhuma significância foi observada. Já na
correlação com as variáveis macroeconômicas, destaca-se o setor de consumo padrão com
elevado nível de significância para o PIB e a LFT, sendo que, nos demais setores, não
houve maior relevância. Quanto à relação com a variável COVID, não foi observado
qualquer nível de significância para com os setores, destacando somente o valor
apresentado pelo setor imobiliário em comparação aos outros. E quanto à relação com a
variável INOV, apenas houve destaque para o setor de saúde, dado o valor observado
assim como o nível de significância, e o de tecnologia da informação.

Quanto à análise relacionando os retornos e as variáveis com o nível de

governança corporativa, os resultados observados concernentes ao CFROA foram os de
que o imobilizado apresentou níveis de significância na maioria dos níveis, exceto o nível
1 e o 2. Em relação às variáveis macroeconômicas, somente o PIB apresentou
significância para o nível básico, assim como a variável INOV. Quanto ao CFROE,
somente o nível Bovespa Mais apresentou alguns níveis de significância para as variáveis.
No que se refere ao CFROIC, poucos foram os níveis de significância apresentados para
as variáveis de desempenho e também as macroeconômicas e COVID; quanto à variável
INOV, esta não se mostrou relevante.

Acerca da análise do BtM em relação aos níveis de governança, os resultados

apurados apresentaram significância em diversas variáveis de desempenho com destaque
para o setor Bovespa Mais. Em relação a variáveis macroeconômicas, o PIB apresentou
relevante destaque, assim como a variável COVID; já a variável INOV apresentou
significância somente para o setor Básico.

Para a análise do P/L, o nível Bovespa Mais foi que apresentou maiores níveis de
significância para as todas as variáveis analisadas. Para as variáveis de desempenho, o
setor imobiliário apresentou valores substanciais, principalmente no setor Novo Mercado.
Quanto as variáveis macroeconômicas, o PIB apresentou valores robustos para todos os
níveis, com destaque para os valores observados no setor imobiliário. Em relação a
variável COVID todos os níveis apresentaram relação positiva com os níveis de
governança. Por sua vez para a inovação apresentou relação negativa, com significância
para o nível Básico.
 210

Os resultados deste trabalho e sua relação quanto a objetivos e hipóteses propostas

evidenciaram que o fato de as empresas serem inovadoras ou não inovadoras, além de
apresentarem níveis diferenciados de governança corporativa, não influenciam, de forma
efetiva, no desempenho financeiro destas. As correlações apresentadas ao longo deste
trabalho, embora apontem níveis de significância nos seus resultados, apresentaram
valores baixos, sinalizando baixas correlações.

Contudo, cabe destacar em relação aos resultados apresentados, cabe destacar os

valores expressivos, especificamente, em relação ao setor imobiliário. Isso pode ter
ocorrido devido a este setor ser suscetível a diversos condicionantes econômicos e de
mercado, que afetam o seu desempenho, como a questão do endividamento e da taxa de
juros. Assim como o setor de Tecnologia de Informação, apresentou nesta análise
relevância por se tratar de um setor intensivo em tecnologia em que os gastos em P&D,
sendo necessário elevados investimentos para sua sustentabilidade e também a própria
conjuntura econômica pode também vir a comprometer o seu desempenho. Contudo nem
todos os níveis de governança apresentam relevância para a questão da inovaçõ, sendo
que o mais influenciado é o do nível Básico.

Quanto a conjuntura econômica, as variáveis PIB e LFT se mostraram relevantes

para desempenho das empresas dado os valores apurados. Quanto a variável COVID esta
serviu para verificar a existência de algum impacto para as empresas o que foi constatado
para determinados setores, principalmente o de Construção Civil e Saúde.

Como limitação deste trabalho, destaca-se a questão da utilização da utilização

somente do selo da ANPEI como proxy. Como sugestão de pesquisa futura, sugere-se a
utilização de outras proxies, para determinação da empresa inovadora, como outros tipos
de classificações apresentadas neste trabalho. Salientando que por haver determinados
setores estão mais afeitos a questão da inovação pode se analisar estes sob o efeito da
questão de a inovação ter origem no processo inovativo ou devido ao seu produto/serviço.
Assim, como a utilização de outras variáveis como estrutura acionária, idade da empresa
para análise de desempenho financeiro e econômico. Há também a sugestão para a
utilização de outros tipos de modelagem, como, por exemplo, o Generalized Methods of
Moments (GMM) ou análise discriminante para a devida comparação com os resultados
apontados nesta pesquisa. Cabe também destacar que os setores analisados por não
apresentarem o mesmo comportamento, embora os setores de saúde e tecnologia serem
mais afetos à inovação. Sugere se um estudo analisando empresas de um mesmo setor ou,
 211

até mesmo, desses dois setores como uma oportunidade futura de pesquisa que a tese
revela. No caso, as características dos setores e se a inovação ocorre no
processo/infraestrutura ou no produto/serviço.
 212

REFERÊNCIAS

ABRANTES, Felipe Mateus Martins et al. Análise da relação entre a governança

corporativa e a valorização e a desvalorização de empresas no mercado de ações brasileiro
entre 2010 e 2020. 2021.

AKHTAR, Samreen; ANSARI, Saghir Ahmad; ANSARI, Valeed Ahmad. Size, Value,
Momentum, and Liquidity Effects in Indian Stock Returns. Wealth: International
Journal of Money, Banking & Finance, v. 6, n. 1, 2017.

ALBUQUERQUE FILHO, Antônio Rodrigues et al. Influência da Governança

Corporativa e da Intangibilidade no desempenho das maiores empresas
brasileiras. Revista de Administração FACES Journal, p. 25-43, 2019.

ALBUQUERQUE, P. H. M., SILVA, L. C. & MALUF, Y. S. Estimação da influência

de variáveis macroeconômicas sobre o faturamento de organizações siderúrgicas usando
o ARMAX. Gestão & Produção, 21(3), 648-659. 2014.

ALCHIAN, A. Some economics of property rights, Politico 30, 816-829. (Originally

published in 1961 by the Rand Corporation). Reprinted in Alchian, A., 1977. Economic
Forces at Work. Liberty Press, Indianapolis, IN. 1965.

_____________Corporate management behavior and property rights. In: MANNE, H.

(Ed). Economic Policies and the Regulation of Securities. Washington, DC: American
Enterprise Institute, 1968.

_______; DEMSETZ, H. Production, information costs and economic organization.

American Economic Review, v. 62, n. 5, p. 777-795, 1972.

ALMEIDA, Fernando; SANTOS, José Duarte; MONTEIRO, José Augusto. The

challenges and opportunities in the digitalization of companies in a post-COVID-19
World. IEEE Engineering Management Review, v. 48, n. 3, p. 97-103, 2020.

ALMEIDA, H.; CAMPELLO, M. Financial constraints, asset tangibility, and corporate

investment. Review of Financial Studies, v. 20, n. 5, p. 1429–1460, 2007.

____________________________WEISBACH, M. S. The cash flow sensitivity of cash.

Journal of Finance, 2004.
 213

ALMEIDA, M.A.; SANTOS, J. F.; FERREIRA, L.F.V. M.; TORRES, F.J.V. Evolução
da qualidade das práticas de governança corporativa: um estudo das empresas brasileiras
de capital aberto não listadas em bolsa. Revista RAC. Curitiba, v. 14, n. 5, art. 8, p. 907-
924, set/out. 2010.

ALVES, Diego Saldo; AYUB, Marcelo Paveck. O impacto da remuneração dos

executivos no fluxo de caixa operacional das empresas listadas na B3. Revista Gestão e
Desenvolvimento, v. 16, n. 1, p. 3-26, 2019.

ALVES, F. C., & BOMTEMPO J. V. Como distinguir firmas inovadoras e não-

inovadoras? Uma abordagem a partir da noção de competências para inovar. Anais do
Encontro Nacional de Economia, Recife, PE, Brasil, 35. 2007

AMAT, O; BLAKE, J.; DOWDS, J. The ethics of creative accounting. Ethical Issues in
Accounting, p. 24 - 40. 1999.

AMBROZINI, Marcelo Augusto; MATIAS, Alberto Borges; JÚNIOR, Tabajara

Pimenta. Análise dinâmica de capital de giro segundo o modelo Fleuriet: uma
classificação das empresas brasileiras de capital aberto no período de 1996 a
2013. Contabilidade Vista & Revista, v. 25, n. 2, p. 15-37, 2014.

AMORE, M. D., & BENNEDSEN, M. Corporate governance and green innovation.

Journal of Environmental Economics and Management, 75, 54 - 72. 2016

ANDRADE, A.; ROSSETTI, J. P. Governança Corporativa. Fundamentos,

desenvolvimento e tendências. 2. ed. São Paulo: Atlas, 2006.

ANDRADE, Fabiana De Oliveira; CORDEIRO, Fernanda Alves; BRESSAN, Valéria

Gama Fully. Agressividade Fiscal e seus Efeitos na Rentabilidade das Empresas dos
Setores Regulados e Não Regulados listadas na B3. In: XX USP International
Conference in Accounting, São Paulo. https://congressousp. fipecafi.
org/anais/20UspInternational/ArtigosDownload/1946. pdf. 2020.

ANDRADE, Giovanna Cardoso Teixeira de et al. Análise do desempenho econômico-

financeiro de três empresas de capital aberto do setor de construção civil (2009-
2018). Desenvolve Revista de Gestão do Unilasalle, v. 9, n. 2, p. 119-137, 2020.
 214

ANDRADE, J. C.; MELO, A. S. Causalidade entre Variáveis Macroeconômicas e a

Receita Bruta: uma Análise Utilizando Vetores Autorregressivos (Var). Revista
Evidenciação Contábil & Finanças, v. 4, n. 3, p. 6-29, 2016.

ANDRADE, Mayara Sousa de. Impacto de variáveis macroeconômicas na rentabilidade

de instituições não financeiras brasileiras. 2020.

ANPEI. Associação Nacional de Pesquisa e Desenvolvimento das Empresas Inovadoras

- https://anpei.org.br/confira-o-ranking-das-empresas-mais-inovadoras-eleitas-
pelo-valor-inovacao-brasil-2019/ Acesso em 04 de jun. de 2021.

ARAUJO, Willer Valença; MARQUES, Hiponio Fortes Guilherme. A influência de

indicadores contábeis de desempenho sobre o Patrimônio Líquido de uma empresa no
setor de laticínios na cidade de SOUSA-PB no período de 2011. RIMA, v. 2, n. 1, p. e68,
2020.

ARRUDA, Larissa Raquel Miranda Paulo de. Desempenho financeiro: um estudo

sobre a influência da participação de empresas de energia elétrica no índice de
sustentabilidade empresarial da B3. 2020. Trabalho de Conclusão de Curso.

ASSAF NETO, Alexandre. Estrutura e análise de balanços: um enfoque econômico-

financeiro. 11. ed. São Paulo: Atlas, 2015.

_________________________LIMA, Fabiano Guasti. Fundamentos de administração

financeira. 2014.

ASSOCIAÇÃO DAS EMPRESAS DE TECNOLOGIA DA INFORMAÇÃO E

COMUNICAÇÃO (BRASSCOM). Relatório de Resiliência Econômica. 2021.
Disponível em: https://brasscom. org.br/relatorio-de-resiliencia-economica/. Acesso em:
02 ago.2021.

AXIOTIS, Dimitris; HYZ, Alina; KALANTONIS, Petros. Working Capital Management

and Firms' Profitability in the Midst of an Economic Crisis. International Journal of
Applied Management Sciences and Engineering (IJAMSE), v. 5, n. 2, p. 66-80, 2018.

AYYAGARI, Meghana; DEMIRGÜÇ-KUNT, Asli; MAKSIMOVIC, Vojislav. Who are

America's star firms? World Bank Policy Research Working Paper, n. 8534, 2018.

AZEVEDO, Gustavo Caixeta de. Governança corporativa: uma análise do ROE, ROIC e
WACC de empresas integrantes do “novo mercado” da BM&FBOVESPA. 2018.
 215

BAGGIO, Daniel Knebel; BORSATTO, Ana Luisa. Bonitinhas, porém, ordinárias:

Empresas listadas nos altos níveis de Governança Corporativa da B3 apresentam
desempenho superior? Horizontes Empresariales, v. 21, n. 1, p. 23-38, 2022.

BAI, Chong-En et al. Corporate governance and market valuation in China. Journal of
comparative economics, v. 32, n. 4, p. 599-616, 2004.

BALDWIN, C. Y. Return on Invested Capital (ROIC). The Palgrave Encyclopedia of

Strategic Management, 2016.

BARBOSA, Deborah Mara Siade; DE SOUZA, Antônio Artur; RIBEIRO, João Eduardo.
Um Índice De Avaliação Do Desempenho Operacional E Econômico-Financeiro De
Hospitais Sem Fins Lucrativos No Brasil. Revista Mineira de Contabilidade, v. 22, n.
3, p. 72-85, 2021.

BARBOSA, F. D. H., CAMELÔ, F. D., & CUSTÓDIO, J.I. A Taxa de juros natural e a
regra de Taylor no Brasil: 2003-2015. Revista Brasileira de Economia, 70(4), 399-417.
2016.

BARBOSA, Ingrid Beatriz; NOGUEIRA, Daniel Ramos. Impacto dos indicadores

macroeconômicos nos índices de rentabilidade das empresas brasileiras: uma análise no
setor alimentício de 2010 a 2016. Revista de Administração, Contabilidade e
Economia da FUNDACE, v. 9, n. 1, p. 31-46, 2018.

BARNEY, J. Firm resources and sustained competitive advantage. Journal of

Management, v.17, n.1, 99-120, 1991.

____________ The resource-based theory of the firm. Organization science, v. 7, n. 5,

p. 469-469, 1996.

BASTOS, Douglas. Governança Corporativa, Valor de Mercado e Liquidez das

Companhias Abertas Brasileiras. Iberoamerican Journal of Corporate Governance, v.
7, p. e053-e053, 2020.

BASTOS, J. A. de S. A.; BUENO, N. L. Capacitação tecnológica. In: BASTOS, João

Augusto de Sousa Almeida (organizador). Capacitação tecnológica e competitividade:
o desafio para a empresa brasileira. Curitiba: IEL/PR. 2002.

BECHT, M.; COLIN, M. Corporate Control in Europe. Mimeo, ECARES Free

University of Brussels. 2002.
 216

BEINER, S.; DROBETZ, W.; SCHMID, F.; ZIMMERMANN,H. Is board size an

independent corporate governance mechanism? Working Paper, University of Basel.
2003.

BELLOC, Filippo. Corporate governance and innovation: A survey. Journal of

Economic Surveys, v. 26, n. 5, p. 835-864, 2012.

BENETTI, Karen et al. Influência da Inovação no Desempenho Econômico, Financeiro

e Operacional de Empresas da B3: Análise Antes e Durante a Pandemia.

BERARDI, Patricia Calicchio. A evolução do conceito de governança corporativa à

luz da ética: uma análise longitudinal. 2008. Tese de Doutorado.

BERLE, A.; MEANS, G. The Modern Corporation and Private Property. New York:
Macmillan, 1932.

BERNADELLI, L. V.; BERNARDELII, A. G. Análise sobre a Relação do Mercado

Acionário com as Variáveis Macroeconômicas no Período de 2004 a 2014. Revista
Evidenciação Contábil & Finanças, 4(1), 4-17. 2016.

________________________________________CASTRO, G. H. L. de. A Influência

das Variáveis Macroeconômicas e do Índice de Expectativas no Mercado Acionário
Brasileiro: Uma Análise Empírica para os Anos de 1995 a 2015. Revista de Gestão,
Finanças e Contabilidade, 7(1), 78-96. 2017.

BESANKO, D.; DRANOVE, D.; SHANLEY, M. Economics of Strategy. John Wiley

& Sons. New York, 2000.

BESSANT, J.; TIDD, J. Innovation and entrepreneurship. John Wiley e Sons. 2007.

____________________________ Managing Technological Innovation: competitive

advantage from change. New York: A Willey - Interscience Publication, 1988.

_____________________________Gestão da inovação. 3° ed. Porto Alegre: Bookman,

600 p. 2008.

BETZ, F. Managing Technology: competiting through new ventures innovation and

corporate research. New Jersey: Prentice Hall. 1987.

BHAGAT S., BOLTON B. Director ownership, governance, and performance. J. Financ.

Quant. Anal. 8(1):105-135. 2013.

BHIDE, A., Deficient Governance. Harvard Business Review. nov-dez 1994.

 217

BHOJRAJ, S.; SENGUPTA, P. Effect of corporate governance on bond ratings and

yields: the role of institutional investors and outside directors. Ithaca: Cornell University
and University of Maryland, 25 nov. 2001. (Working Paper).

BIANCHI, Márcia; DE QUEIROZ, Dimas Barreto. Cue501-informações contábeis e

atividade econômica: relação entre rentabilidade das firmas no crescimento econômico
do brasil. Anais do XII Congresso Anpcont, 2018.

BJORNLAND, H.; LEITEMO, K. Identifying the interdependence between US monetary

policy and the stock market. Journal of Monetary Economics v.56, p. 275-282, 2009.

BLACK, B. S.; JANG, H.; KIM, W. Does corporate governance predict firms’ market
values? Evidence from Korea. Stanford Law School, May 2002 (Working Paper, 237).

BLACK, B. The corporate governance behavior and market value of Russian firms.
Emerging Markets Review, 2(2), 89-108. 2001.

BLANCHARD, Oliver. Macroeconomia. 5° ed. São Paulo: Pearson Prentice Hall, 2011.
600 p.

BOFF, Jociane Zanchieta. Análise dos indicadores econômicos e financeiros das

indústrias do segmento de computadores e equipamentos listadas na B3.

BOLSA DE VALORES DE SÃO PAULO (B3). Ofertas Públicas. Disponível em

https://www.b3.com.br/pt_br/produtos-e-servicos/solucoes-para-emissores/ofertas-
publicas/ofertas-encerradas/ Acesso em: 18 mar. 2023.

____________________________________________Ofertas Públicas. Disponível em

http://www.b3.com.br/pt_br/produtos-e-servicos/solucoes-para-
emissores/ofertaspublicas/estatisticas/. Acesso em: 30 set. 2021.

BOMFIM, Paulo Roberto Clemente Marques et al. Utilização de análise multivariada na

avaliação do desempenho econômico-financeiro de curto prazo: uma aplicação no setor
de distribuição de energia elétrica. Revista Adm. Made, v. 15, n. 1, p. 75-92, 2011.

BORGERTH, V. M. C. SOX: entendendo a Lei Sarbanes-Oxley. São Paulo: Pioneira

Thomson Learning, 2007.

BOVESPA. Bolsa de Valores do Estado de São Paulo. Regulamento dos níveis 1 e 2 de

governança: empresas — níveis de governança corporativa. São Paulo. 2011
 218

BRAGA, NAYARA; PINHEIRO, L. J.; PINHEIRO, LAURA EDITH TABOADA.

Efeitos da crise econômica no desempenho econômico-financeiro das empresas de
construção civil listada na B3. Anais do Simpósio Internacional de Gestão de Projetos,
Inovação e Sustentabilidade, v. 7, p. 10-22, 2018.

BRASIL. BANCO CENTRAL DO BRASIL (BACEN). Relatório de inflação. v. 17,

n.2, Brasília, jun./2015.

BRIGHAM, E.; WESTON, J. Fundamentos da Administração Financeira. 10a

edição. São Paulo, 2000.

BRITO, E. P. Z.; BRITO, L. A. L.; MORGANTI, F. Inovação e o desempenho

empresarial: lucro ou crescimento? RAE eletrônica, 8(1), 2009.

BRITO, L. A. L.; VASCONCELOS, F. C. A Influência do País de Origem no

Desempenho das Empresas. Revista de Administração Contemporânea – RAC. v. 9,
n. 4, p. 97-118, 2005.

BRITO, M. H. Crise e prosperidade comercial, financeira e política. Rio de Janeiro:

Probatus, 2003.

BROWN, L., & CAYLOR, M. Corporate Governance and Firm Performance. Working
paper, Georgia State University. 2004.

BUENO, Giovana et al. Mecanismos externos de governança corporativa no

Brasil. Revista contabilidade, gestão e governança, v. 21, n. 1, p. 120-141, 2018.

BUENO, N. P. A Nova Economia Institucional e a Historiografia Clássica do Período

Colonial Brasileiro. ABPHE, Caxambú-MG, 2003.

CAIXE, Daniel Ferreira; KRAUTER, Elizabeth. Relação entre governança corporativa e

valor de mercado: mitigando problemas de endogeneidade. BBR-Brazilian Business
Review, v. 11, n. 1, p. 96-117, 2014

CAJIAS, Marcelo et al. Do responsible real estate companies outperform their

peers? International Journal of Strategic Property Management, v. 18, n. 1, p. 11-27,
2014.

CAMARGOS, Marcos Antônio de; CAMARGOS, Mirela Castro Santos; LEÃO,

Luciano de Castro Garcia. Empirically Testing The" Flueriet's Model": Evidence of
Bazilian Market. Journal of Business and Management Review ISSN, p. 2047-0398,
2014.
 219

CANELA, R.; CASSAL A.; VASCONCELOS, V.N.S.A.; RODRIGUES, L.C. Impacto

da Inovação no Desempenho Financeiro das Empresas Brasileiras: um estudo empírico
do período de 2009 a 2013. Anais do IV SINGEP, SP. 2015.

CANTIDIANO, L.L.; CORRÊA, R. (Org.). Governança corporativa: empresas

transparentes na sociedade de capitais. São Paulo: Lazuli, 2004.

CANTISTA, I., & TYLECOTE, A. Industrial innovation, corporate governance and

supplier-customer relationships. Journal of Manufacturing Technology Management,
19(5), 576-590. 2008.

CARDOSO, F.H. O empresário industrial e o desenvolvimento econômico do Brasil.

Tese (livre-docência) — Faculdade de Filosofia, Letras e Ciências Humanas,
Universidade de São Paulo, São Paulo, 1963.

CARVALHAL, E. et al. Negociação e administração de conflitos. 2° ed. – Rio de

Janeiro: Editora FGV, 2009.

CARVALHAL-DA-SILVA, A. L; LEAL, R. P. C. Corporate governance index, firm

valuation and performance in Brazil. Revista Brasileira de Finanças, v. 3, n. 1, p. 1-18,
2005.

CARVALHO, A. G. Governança corporativa no Brasil em perspectiva. Revista de

Administração, São Paulo, v. 37, n. 3, p. 19-32, jul/set, 2002.

CARVALHO, Filipe Pollis et al. Desempenho setorial de empresas brasileiras: um estudo

sob a ótica do ROE, Q de Tobin e Market to Book. Revista de Gestão, Finanças e
Contabilidade, v. 7, n. 1, p. 149-163, 2017.

CARVALHO, Gabriel Ramires. O efeito da adoção das IFRS na rentabilidade de

empresas do setor de utilidade pública listadas no novo mercado da B3. 2019.

CARVALHO, Luciana; DE FARIA, Gustavo Guimarães; PEIXOTO, Fernanda Maciel.

Relação entre Governança Corporativa e a Intangibilidade nas Empresas Brasileiras não
Financeiras de Capital Aberto.

CASTRO, Luiz Ricardo Kabbach de et al. External governance mechanisms and

investment-cash flow sensitivity: an international perspective. Manuscrito inédito,
2017.
 220

CATAPAN, A.; COLAUTO, R. D.; BARROS, C. M. E. A relação entre a governança

corporativa e o desempenho econômico-financeiro de empresas de capital aberto do
Brasil. Contabilidade, Gestão e Governança, v. 16, n. 2, p. 16-30, mai/ago. 2013.

CERETTA, P. S.; NIEDERAUER, C. A. P. Rentabilidade e eficiência no setor bancário

brasileiro. Revista de Administração Contemporânea, v. 5, n. 3, p. 07-26, 2001.

CHAIN, Diego Reis; JANUZZI, Flávia Vital. Política de dividendos de empresas não
financeiras na b3: um estudo através de regressão quantílica. Anais do Congresso
Internacional de Administração, 2021.

CHANDLER JR., A.D. Scale and scope: the dynamic of industrial capitalism.
Cambridge, MA: The Belknap Press of Harvard University, 1990.

______________________Organizational capabilities and the economic history of the

industrial enterprise. Journal of Economic Literature, v.6, n.3, p. 79-100, 1992a

______________________What is a firm? A historical perspective. European Economic

Review, v. 36, n. 2-3, p. 483-492, 1992b

CHEN, N. F.; ROSS S. A. Economic forces and the stock market. Journal of Bussines,
v. 59, n. 3, p. 383-403, 1986.

CHEN, S. S. Predicting the bear stock market: Macroeconomic variables as leading

indicators. Journal of Banking & Finance, 33(2), 211-223. 2009.

CHIACHIO, Viviane Ferreira de Oliveira; MARTINEZ, Antonio Lopo. Efeitos do

Modelo de Fleuriet e Índices de Liquidez na Agressividade Tributária. Revista de
Administração Contemporânea, v. 23, p. 160-181, 2019.

CHO, H. J.; PUCIK, V. Relationship between innovativeness, quality, growth,

profitability, and market value. Strategic Management Journal, v.26, p. 555-575, 2005.

CHOWDHURY, Jaideep; KUMAR, Raman; SHOME, Dilip. Investment–cash flow

sensitivity under changing information asymmetry. Journal of Banking & Finance, v.
62, p. 28-40, 2016.

CLEMENTE, E. S. Governança corporativa e questões jurídicas concretas. In:

CANTIDIANO, L. L., CORRÊA, R. (orgs.). Governança corporativa: empresas
transparentes na sociedade de capitais. São Paulo: Lazuli Editora. (Série Apimec).
2004.

COASE, R. H. The nature of the firm. Economica, v. 4, n. 16, p. 386-405, 1937.

 221

COELHO, L. B. Efeitos de variáveis macroeconômicas no nível de liquidez de empresas

brasileiras. Dissertação de Mestrado, Fundação Getúlio Vargas, São Paulo, SP, Brasil.
2012.

COFFEE Jr., J. C. A Theory of Corporate Scandals: Why the USA and Europe Differ.
Oxford Review of Economic Policy. Vol. 21, no. 2, p. 198-211. 2005.

COLARES, Ana Carolina Vasconcelos; GOUVÊA, Diogo Augusto Pfau; COSTA, Joyce
Souza. IMPACTOS DA PANDEMIA DO COVID-19 NO SETOR DE CONSTRUÇÃO
CIVIL. Percurso Acadêmico, v. 11, n. 21, p. 188-208, 2021.

COLE, V.; BRANSON, J.; BREESCH, D. Determinants Influencing the IFRS

Accounting Policy Choices of European Listed Companies. Working Paper, 2013

Comitê de Pronunciamento Contábil, CPC 27 – ATIVO IMOBILIZADO. Disponível em

http://static.cpc.medigroup.com.br/Documentos/316

COMITÊ DE PRONUNCIAMENTOS CONTÁBEIS (CPC). Pronunciamento Técnico

nº 26 (R1): Apresentação das demonstrações contábeis. Brasília: CPC, 2013. Disponível
em: <http://static.cpc.aatb.com.br/ Documentos/312_CPC_26_R1_rev%2013.pdf>.

COMITÊ DE PRONUNCIAMENTOS CONTÁBEIS. Pronunciamento Técnico CPC 03

– Demonstração dos Fluxos de Caixa. Disponível em: <http://www.cpc.org.br>.

COMITE DE PRONUNCIOAMENTOS CONTÁBEIS (CPC). Estrutura Conceitual

para Elaboração e Divulgação de Relatório Contábil-Financeiro. 2011.

COMMONS, J.R. Institutional Economics – Its Place in Political Economy (Madison:

The University of Wisconsin Press). 1934.

COOPER, D. e SCHINDLER, P. Métodos de pesquisa em administração. Bookman,

2003.

CORREIA, L. F.; AMARAL, H. F. Reflexão sobre as funções da governança corporativa.

Revista de Gestão, Universidade de São Paulo, São Paulo, v.13, n. 1, p. 43-55, jan/mar.
2006.

COSTA, C.A. Comitê de auditoria no contexto da Lei Sarbanes-Oxley: um estudo da

percepção dos gestores de empresas brasileiras emitentes de American Depositary
Receipts (ADRS). Dissertação (Mestrado em Ciências Contábeis) – Fundação Escola
de Comércio Álvares Penteado. São Paulo: Fecap. 2006.
 222

COSTA, FRANCISCO JOHNSONS DOS SANTOS. Efeitos da pandemia da covid-19

no desempenho das empresas listadas no mercado de capitais brasileiro. 2021.

COSTA, G. P. C. L., SCHMITT, F. O., LEITE, P. A. M. e SILVA, C. A.T.F. O reflexo

das variáveis macroeconômicas no nível de caixa evidenciado pelas empresas brasileiras
listadas na Bovespa. Anais Congresso ANPCONT, Vitória, ES, Brasil, 5. 2011.

COSTA, G.C. A influência da Governança Corporativa em empresas de capital aberto no

Brasil. Dissertação (mestrado), Programa de Pós-Graduação em Administração de
Empresas da Pontifícia Universidade Católica do Rio Grande do Sul, Porto Alegre.
2008.

COSTA, Laura Brandão; PEREIRA, Iasmim Fonseca; DE LIMA, Janaína Aparecida.

Reflexos da Pandemia da Covid-19 nos Indicadores Econômico-financeiros de Empresas
do Setor de Produtos de Higiene e Limpeza Listadas na B3. Revista Mineira de
Contabilidade, v. 22, n. 2, p. 10-22, 2021.

COSTA, Wando Belffi da et al. Análise dos estágios de ciclo de vida de companhias
abertas no Brasil: Um estudo com base em variáveis contábil-financeiras. BBR.
Brazilian Business Review, v. 14, p. 304-320, 2017.

CROSSAN, M. M., APAYDIN, M. A multi-dimensional framework of organizational

innovation: a systematic review of the literature. Journal of Management Studies, 47,
1154-91.2010.

CRUZ, Felipe Rodrigues; MACHADO, Nathan Vasconcellos de Almeida Rezende; DA

CUNHA, Jacqueline Veneroso Alves. Geração e distribuição de valor adicionado de
empresas de controle estatal e privado do setor elétrico brasileiro. Capital Científico,
2016.

DEGENHART, Larissa et al. Mecanismos de Governança Corporativa e o Desempenho

Econômico-Financeiro e de Mercado de Empresas Brasileiras listadas no Nível 1, Nível
2 e Novo Mercado. Revista Organizações em Contexto, v. 17, n. 33, p. 137-177, 2021.

DEMARZO, Peter M. et al. Dynamic agency and the q theory of investment. The journal
of Finance, v. 67, n. 6, p. 2295-2340, 2012.

DEMSSETZ, H. and LEHN, K. The Structure of Corporate Ownership: Causes and

Consequences. Journal of Political Economy, 93, 1155-1177. 1985.
 223

DEWI, Vera Intanie; TAN LIAN SOEI, Catharina; SURJOKO, Felisca Oriana. The
Impact of Macroeconomic Factors on Firms Profitability (Evidence From Fast Moving
Consumer Good Firms Listed on Indonesian Stock Exchange). 2019.

DEWI; SOEI; SURJOKO. The impact of macroeconomic factors on firms’ profitability

(evidence from fast moving consumer good firms listed on Indonesian stock exchange).
Academy of Accounting and Financial Studies Journal, v. 23, n. 1, 2019.

DIAS, Érika Monteiro de Souza Alves et al. Reflexos Das Políticas De Incentivo À
Inovação No Desempenho Financeiro Das Empresas Do Setor Automotivo Listadas Na
B3. Brazilian Journal of Management and Innovation (Revista Brasileira de Gestão
e Inovação), v. 10, n. 1, p. 22-46, 2022.

DICKINSON, Victoria. Cash flow patterns as a proxy for firm life cycle. The accounting
review, v. 86, n. 6, p. 1969-1994, 2011.

DIEL, F.B.; BRIGHENTI, J.; SOUZA, T.R.; DIEL, E.H.; HEIN, N. Investimentos
ambientais e desempenho econômico-financeiro. REUNA, Belo Horizonte, v. 19, n.2,
p.113-134, abr/jun. 2014.

DINIZ, Natália. Análise das demonstrações financeiras. Rio de Janeiro: SESES, 2015.

DITILLO, Angelo. Intellectual capital‐navigating in the new business

landscape. Business Process Management Journal, v. 4, n. 1, p. 85-88, 1998.

DO NASCIMENTO, João Carlos Hipólito Bernades et al. As relações entre governança

corporativa, risco e endividamento e suas influências no desempenho financeiro e no
valor de mercado de empresas brasileiras. Advances in Scientific and Applied
Accounting, p. 166-185, 2018.

DOS SANTOS CARVALHO, Beatriz Souza Silva et al. ESG E Performance Antes E
Durante A Covid-19.

DOUEK, David; DE ANGELO, Claudio Felisoni. Desempenho de Ativos Imobiliários:

Perspectivas da Governança Ambiental, Social e Corporativa no Brasil Real estate
investments performance: the ESG perspective in Brazil. Brazilian Journal of
Development, v. 8, n. 1, p. 2271-2284, 2022.

DROBETZ, W., GUGLER, K., HIRSCHVOGL, S. The determinants of the German

corporate governance rating. Working Paper. University of Basel. 2005.
 224

DUARTE, Denize Lemos; RIBEIRO, Kárem Cristina de Sousa. Análise da eficiência

operacional sobre o valuation: uma perspectiva gerencial de desempenho das empresas
de capital aberto brasileiras. In: Anais do Congresso Brasileiro de Custos-ABC. 2018.

DUARTE, P. C.; LAMOUNIER, W. M.; COLAUTO, R. D. Modelos Econométricos para

Dados em Painel: aspectos teóricos e exemplos de aplicação à Pesquisa em Contabilidade
e Finanças. In: Jorge Lopes, José Francisco Ribeiro Filho, Marcleide Pederneiras.
Educação Contábil: tópicos de ensino e pesquisa. São Paulo: Atlas, 2008, p.254-274.

ECKERT, Alex; PIONER, Anelise; MECCA, Marlei Salete. Em Busca da

Competitividade: Comportamento Econômico e Financeiro de Empresas da Construção
Civil Listadas na BM&FBOVESPA no Período 2007-2016. Revista UNEMAT de
Contabilidade, v. 7, n. 13, 2018.

EDVINSSON, Leif; MALONE, Michael Shawn. Intellectual capital: Realizing your

company's true value by finding its hidden roots. (No Title), 1997.

ENQVIST, J., GRAHAM, M. & NIKKINEN, J. The impact of working capital

management on firm profitability in different business cycles: Evidence from Finland.
Research in International Business and Finance, 32, 36-49. 2014.

ERKENS, D. H.; HUNG, M.; & MATOS, P. Corporate governance in the 2007–2008
financial crisis: Evidence from financial institutions worldwide. Journal of Corporate
Finance, 18(2), 389-411. https://doi.org/10.1016/j.jcorpfin.2012.01.005 2012

EVANS, P.; TIGRE, P. Estratégias de desenvolvimento de indústrias de alta tecnologia:

análise comparativa da informática no Brasil e na Coréia do Sul. Revista Brasileira de
Economia, Rio de Janeiro, FGV, v. 43, n. 4, p. 549-73, 1989a.

FABREGÁ, Marian Buil; NICOLAU, Alfredo Rocafort. Emprendimiento y

supervivencia empresarial en época de crisis: El caso de Barcelona. Intangible Capital,
v. 12, n. 1, p. 95-120, 2016.

FAÇANHA, Magali Carvalho et al. Gerenciamento de riscos e gestão de controles

internos em empresas brasileiras envolvidas em crimes de corrupção e lavagem de
dinheiro. Revista Contemporânea de Contabilidade, v. 17, n. 43, p. 34-50, 2020.

FAEMS, D., DE VISSER, M., ANDRIES, P., e VAN LOOY, B. Technology Alliance
Portfolios and Financial Performance: Value‐Enhancing and Cost‐Increasing Effects of
Open Innovation. Journal of Product Innovation Management, 27(6), 785-796, 2010.
 225

FAMA, R.; BARROS, L. A. B. de C. Q de Tobin e seu uso em finanças: Aspectos

Metodológicos e Conceituais. V Semead. Junho, 2001.

FARHAN, Najib HS et al. Does corporate governance moderate the relationship between
liquidity ratios and financial performance? Evidence from Indian pharmaceutical
companies. Academic Journal of Interdisciplinary Studies, v. 8, n. 3, p. 144-144, 2019.

FAUSTINO, Camila Cristina et al. Análise comparativa do desempenho financeiro de

empresas do setor elétrico brasileiro pós-privatizações. Exacta, v. 17, n. 4, p. 329-343,
2019.

FÁVERO, Luiz; FÁVERO, Patrícia. Análise de dados: técnicas multivariadas

exploratórias com SPSS e STATA. Elsevier Brasil, 2017.

FAZZARI, Steven; HUBBARD, R. Glenn; PETERSEN, Bruce C. Financing constraints

and corporate investment. 1987.

FEIJÓ, Amanda Monteiro; VICENTE, Ernesto Fernando Rodrigues; PETRI, Sérgio

Murilo. O uso das escalas Likert nas pesquisas de contabilidade. Revista Gestão
Organizacional, v. 13, n. 1, p. 27-41, 2020.

FELDSTEIN, M. Inflation and the stock market. American Economic Review, v.70, n.
5, p. 839-847, 1980.

FERNANDES, Hélio Jones et al. Explorando perspectiva para endividamento:

abordagem usando ROA modificado respaldado na teoria do Trade-off. Capital
Científico, n. 1, 2021.

FERNANDES, Vivian Sousa. Relação dos indicadores econômicos-financeiros com a

taxa de crescimento das empresas brasileiras de saúde. 2022.

FERRAZ, Pricylla Smazaro; DE SOUSA, Erivelto Fioresi; NOVAES, Paulo Victor

Gomes. Relação entre Liquidez e Rentabilidade das empresas listadas na
BMF&BOVESPA. ConTexto-Contabilidade em Texto, v. 17, n. 35, 2017.

FONSECA, Luís Felipe Abrantes. Análise do desempenho econômico-financeiro das

empresas do setor de tecnologia da informação com ações na B3 durante a pandemia do
novo Coronavírus e da Covid-19. 2021.
 226

FONSECA, Simone Evangelista et al. Análise do impacto de variáveis macroeconômicas

no desempenho financeiro e endividamento de empresas listadas na B3. Revista
Universo Contábil, v. 14, n. 4, p. 93-114, 2019.

FURTADO, Anaísa Souza; FODRA, Marcelo. Estudo comparativo da rentabilidade em

empresas do setor elétrico brasileiro no período pós-privatizações. Desenvolve Revista
de Gestão do Unilasalle, v. 9, n. 3, p. 63-75, 2020.

GARCIA, Adalberto Escalona; METTE, Frederike Monika Budiner. EBITDA E FLUXO

DE CAIXA OPERACIONAL: UM ESTUDO EMPÍRICO. SÉCULO XXI: Revista de
Relações Internacionais-ESPM/SUL, v. 6, n. 2, p. 53-70, 2015.

GEROSKI, P. A.; WALTERS, C. F. Innovative Activity over the Business Cycle. The
Economic Journal, v. 105, n. 431, p. 916–928, 1995.

GESKE, R; ROLL, R. The fiscal and monetary linkage between stock returns and
inflation. Journal of Finance, v. 38, n. 1, p. 1-33, 1983. GOMES, C. F. S. Using MCDA
methods THOR in an application for outranking the ballast water management options.
Pesquisa Operacional, v. 25, n. 1, p. 11-28, 2005.

GOMES, Adhmir Renan Voltolini; DE MELLO, Gilmar Ribeiro. Desempenho

econômico e financeiro e governança corporativa. Gestão e Desenvolvimento em
Revista, v. 8, n. 1, p. 81-101, 2022.

GOMES, C. F. S. Using MCDA methods THOR in an application for outranking the

ballast water management options. Pesquisa Operacional, v. 25, n. 1, p. 11-28, 2005.

GOMPERS, P., ISHII, J.; METRICK. A. Corporate Governance and Equity Prices.
Quarterly Journal of Economics, 118, 107-155. 2003.

GONÇALVES, Luciano Souza; CUNHA, Viviane Baião da; NEVES JÚNIOR, Idalberto
José das. Análise de Resultados: um Estudo Exploratório sobre a Correlação entre o
Índice Market-to-book, os Índices Tradicionais de Rentabilidade e o EVA®. Pensar
Contábil, v. 13, n. 51, 2011.

GORNIK-TOMASZEWSKI, S.; MCCARTHY, I., “Response to Corporate Fraud in the

United States and Europe: Towards a Consistent Approach to Regulation,” Review of
Business, v. 26, n.2, spring. 2005.

GOTARDELO, D. R. Estudo das práticas de governança corporativa e o desempenho

organizacional: uma análise envolvendo rentabilidade, volatilidade e valor de mercado.
 227

Dissertação de Mestrado em Administração, Faculdade de Administração da

Pontifícia Universidade Católica de Minas Gerais (PUC-Minas), Belo Horizonte,
MG, Brasil. 2006.

GOULART, Selma Querino Cruvinel et al. Análise de desempenho econômico-

financeiro de empresas do setor de saúde listadas na B3. 2022.

GREENE, W. H. Econometric Analysis. New Jersey: Pearson Education, Prentice Hall,

2002.

GROSSMAN, S.J.; HART, O.D. "The Costs and Benefits of Ownership: A Theory of
Vertical and Lateral Integration." J.P.E. 94. August. 1986.

GUEDES, Ana Raquel de Oliveira. Desempenho econômico-financeiro das empresas de

serviços médico-hospitalares listadas na B3 durante a pandemia do Covid-19. 2021.

GUERRA, L.; ORNELLAS, R. S. Modelo de previsão de lucros de companhias listadas

na BM&FBovespa baseado em análise de balanços, indicadores macroeconômicos e
monitoramento de notícias. Revista de Finanças Aplicadas, v. 5, n. 3, p. 1-36, 2014.

GUIDINI, M. B.; BONE, R. B. B.; RIBEIRO, E. P. O impacto do macro ambiente sobre

o resultado econômico em empresas brasileiras. In: XXVII Encontro Nacional de
Engenharia de Produção. Anais.... Foz do Iguaçu, RS, Brasil, 2007.

GUJARATI, Damodar. Econometria Básica. Tradução de Maria José Cyhlar Monteiro.

Rio de Janeiro: Elsevier, 2ª tiragem, 2006.

HADDOW, A., HARE, C., & HOOLEY, J. Macroeconomic uncertainty: what is it, how
can we measure it and why does it matter? Bank of England Quarterly Bulletin. 2013.

HAIR, Joseph F. et al. Análise multivariada de dados. Bookman editora, 2009.

HART, O., “Firms, Contracts and Financial Structure”, Claredon Lectures in

Economics, Oxford University Press, Oxford, 1995.

HARYONO, Untung et al. Sustainability performance: It’s impact on risk and value of
the firm. Corporate Ownership & Control, v. 14, n. 1, p. 278-286, 2016.

HASENCLEVER, L. Corporate governance: Some theory and implications. Economic

Journal, 105: 678-689. 1995.
 228

HASENCLEVER, L.; FERREIRA, P.M. Estrutura de mercado e inovação. In: KUPFER,

HASENCLEVER, L. (org.). Economia industrial: fundamentos teóricos e práticos no
Brasil. 2. Ed. Rio de Janeiro: Campus, 2013.

HECKERMAN, D.G., Motivating managers to make investment decisions. Journal of

Financial Economics, v. 2, n. 3, p. 273-292, 1975.

HEIJ, C.; BOER, P.; FRANSES, P. H.; KLOEK, T.; VAN DIJK, H. K. Econometric
Methods with Applications in Business and Economics. New York: Oxford University
Press, 2004.
HENDRIKSEN, E.S.: VAN BREDA, Michael F. Teoria da Contabilidade. São Paulo:
Atlas, 1999.

HENRIQUE, Marcelo Rabelo et al. O comportamento das empresas do setor imobiliário

brasileiro para momentos de instabilidade econômica. Cadernos de Gestão e
Empreendedorismo, v. 10, n. 1, p. 78-95, 2022.

HOFFMANN, M. G. et al. Fatores Condicionantes à inovação: Aproximação ao estado

da arte por meio da bibliometria e da revisão sistemática. Pretexto, v. 17, n. 2, p. 11–
27, 2016.

HU, A. G R&D Organization, monitoring intensity and innovation performance in

Chinese industry. Econ. Innov. New Techn. v. 12, 2003.

HURLEY, R. F.; HULT, G. T. M. Innovation, market orientation, and organizational

learning: an integration and empirical examination. Journal of Marketing, v. 62, n. 3,
1998.

IBGC – Instituto Brasileiro de Governança Corporativa. Código das melhores práticas

de governança corporativa. 5° ed, São Paulo, 2015.

IÉ, Pinto; DE SOUZA NETO, Justine Maria Arruda; KROENKE, Adriana.

Características do desempenho econômico-financeiro de empresas internacionalizadas e
não internacionalizadas do setor de materiais básicos listadas na B3.

INYA, P.; PSAROS, J. and SEAMER, M. The Relevance of Western Corporate

Governance in Mitigating Management Misconduct in Thailand. Emerging Markets
Finance & Trade, v. 54, p. 1425–1441, 2018.

IUDÍCIBUS, S. Análise de balanços. 10. ed. São Paulo: Atlas, 2013.

 229

______________MARTINS, E., GELBCKE, E. R., & SANTOS, A. D. (2010).

FIPECAFI. Manual de contabilidade societária. São Paulo: Atlas.

JACQUES, Kelly Aparecida Silva; BORGES, Sabrina Rafaela Pereira; MIRANDA,

Gilberto José. Relações entre os indicadores econômico-financeiros e as variáveis
macroeconômicas dos segmentos empresariais da b3. Revista de Administração,
Contabilidade e Economia da Fundace, Ribeirão Preto, v. 11, n. 1, p. 40-59, 2020.

JENSEN, M. Value maximization, stakeholder theory and corporate objective function.

Journal of Applied Corporate Finance, v.14, n.3, 2001.

_________MECCKLING, W. H. Theory of the Firm: Managerial Behavior, Agency

Costs, and Ownership Structure. Journal of Financial Economics vol. 3 p.305-360.
1976.

JORDÃO, Ricardo Vinícius Dias et al. Capital Intelectual & Rentabilidade das Empresas
Brasileiras. Revista de Contabilidade do Mestrado em Ciências Contábeis da UERJ,
v. 24, n. 2, p. 3-22, 2019.

JUNGER, Alex Paubel et al. A Relação Entre Criação De Valor, Desempenho Financeiro
E Dividendos: Uma Análise Sob A Ótica Do Q De Tobin E Market-To-Book Das
Empresas Listadas Na B3. Humanidades & Inovação, v. 9, n. 2, p. 275-290, 2022.

KAO, J.J. Entrepreneurship, creativity and organization: text, cases and readings.
New Jersey: Englewood Cliffs, Prentice Hall, 1989.

KAPLAN, R.; NORTON, D. A estratégia em ação: Balanced Scorecard. Rio de

Janeiro: Campus 1997.

KASSAI, José Roberto; KASSAI, Sílvia; ASSAF NETO, Alexandre. Índice de

especulação de valor agregado: IEVA. Revista Contabilidade & Finanças, v. 13, p. 32-
45, 2002.

KERSTENETZKY, Jaques. A natureza da firma contemporânea: o problema da

governança corporativa à luz da história do pensamento econômico. Econômica, v. 9, n.
2, 2007.

KIJEWSKA, Anna. Determinants of the return on equity ratio (ROE) on the example of
companies from metallurgy and mining sector in Poland. Metalurgija, v. 55, n. 2, p. 285-
288, 2016.
 230

KLAPPER, Leora F.; LOVE, Inessa. Corporate governance, investor protection, and
performance in emerging markets. Journal of corporate Finance, v. 10, n. 5, p. 703-
728, 2004.

KLEIN, B.; CRAWFORD, R.G.; ALCHIAN, A. "Vertical Integration Appropriable

Rents and the Competitive Contracting Process", Journal of Law and Economics, 21(2):
297–326. 1978.

KLOMP, L; VAN LEEUWEN, G. Linking innovation and firm performance: a new

approach. International Journal of the Economics of Business, v. 8, n.3, p. 343-364, 2001.

KMPG, VON KEITZ, I. The application of IFRS: choices in practice. London: KPMG,

KOECHE, Alexandre Sehn et al. Desempenho econômico-financeiro de empresas do

agronegócio da carne, listadas na B3, antes e após o início da Covid-19. In: Anais do
Congresso Brasileiro de Custos-ABC. 2021.

KRUGMAN, P; WELLS, R. Macroeconomia. Rio de Janeiro: Elsevier, 2014.

LAPORTA, R. et al. Investor protection and corporate governance. Journal of Financial

Economics, v. 58, p. 3-27, 2000.

LASTRAPES, W. D. International evidence on equity prices, interest rates and money.

Journal of International Money and Finance, v. 17, n. 3, p. 377-406, 1998.

LASTRAPES, W. D. International evidence on equity prices, interest rates and money.

Journal of International Money and Finance, v. 17, n. 3, p. 377-406, 1998.

LAZZARINI, Sérgio Giovanetti et al. As empresas estelares do Brasil: uma análise do

desempenho de grandes empresas do país, de 2012 a 2018. 2020.

LEAL, R. P. C. Práticas de governança e valor corporativo: uma recente revisão da

literatura. In: SILVA, A. L. C. da; LEAL, R. P. C. Governança corporativa: evidências
empíricas no Brasil. São Paulo: Atlas, p. 130-148, 2007.

LEE, H.; SMITH, K.G.; GRIMM, C.G. The effect of new product radicality and scope
on the extent and speed of innovation diffusion J. Management vol. 29, p. 753-768.
2003.

LEITE FILHO, G.A.; FIGUERO, A. F.G. Fatores que determinam a descontinuidade das
empresas: um estudo sob o ponto de vista dos contadores na cidade de Montes Claros
(MG). In: CONGRESSO BRASILEIRO DE CUSTOS, 16, 2009, Fortaleza. Anais.
2009
 231

LEITE, Rodolfo Carvalho et al. Fatores Determinantes da Estrutura de Capital das

Empresas Brasileiras: Evidências do Setor de Utilidade Pública. Navus: Revista de
Gestão e Tecnologia, n. 11, p. 1-14, 2021.

LEITE, Thaís Silva; SANTOS, David Ferreira Lopes. A relação dos ativos intangíveis e
o valor de mercado na indústria de materiais básicos do Brasil. Revista Brasileira de
Administração Científica, v. 4, n. 1, p. 104-121, 2013.

LEMOS, Stella Vannucci et al. Produtividade Agrícola E Industrial Do Setor

Sucroenergético Brasileiro Nos Últimos 10 Anos. Anais do I Simpósio em Gestão do
Agronegócio, 2016.

LIMA JÚNIOR, Alcivan Batista de; NOBRE, Fábio Chaves; BENTO, Francisca
Joselânia da Silva. Variações Do Valor Da Empresa E Desempenho Financeiro Das
Empresas De E-Commerce No Contexto Da Pandemia Covid-19. Anais do Congresso
Internacional de Administração, 2021.

LIMA, Roberta Quiles Bettega de; MARTINS, Marco Antônio dos Santos. Influência da
estrutura de capital sobre a rentabilidade das empresas do setor de energia elétrica listadas
na B3. Contexto. Porto Alegre, RS. Vol. 21, n. 47 (jan./abr. 2021), p. 66-78, 2021.

LIMA, Sarah Mesquita; OLIVEIRA, Maria Eliete Lima; DE SOUZA RODRIGUES,

Marina. A crise e o desempenho econômico financeiro das empresas da construção
civil. Revista Gestão em Análise, v. 6, n. 1/2, p. 196-210, 2017.

LINS, M. P. E.; MEZA, L. Â. Análise envoltória de dados e perspectivas de integração

no ambiente de apoio à decisão. Rio de Janeiro: COPPE/UFRJ, 2000.

LOPES, Iago França; BEUREN, Ilse Maria. Comportamento dos custos e sua relação
com medidas de eficiência operacional em companhias aéreas. Revista Base
(Administração e Contabilidade) da UNISINOS, v. 14, n. 1, p. 30-46, 2017.

MACEDO, M. A. S.; SILVA, F. F.; SANTOS, R. M. Análise do mercado de seguros no

Brasil: uma visão do desempenho organizacional das seguradoras no ano de 2003.
Revista Contabilidade & Finanças, Edição Especial – Atuária, 2006ª.

MACEDO, Marcelo Alvaro da Silva; SANTOS, Rodrigo Melo; SILVA, Fabrícia De

Farias Da. Desempenho organizacional no setor bancário brasileiro: uma aplicação da
 232

análise envoltória de dados. RAM. Revista de Administração Mackenzie, v. 7, p. 11-

44, 2006b.

MACHADO, Luiz Henrique Mourão. Sistema financeiro nacional. São Paulo, 2015.

MACHADO, M. R. R.; GARTNER, I. R.; MACHADO, L. Relação entre Ibovespa e

Variáveis Macroeconômicas: Evidências a Partir de um Modelo Markov-Switching.
Revista Brasileira de Finanças, 15(3), 435-468. 2018.

MAEDA, Verônica Cerchiaro; MACIEL, Ricardo Barbosa; GERVASONI, Viviane

Chunques. A Importância do Indicador Econômico-Financeiro EBITDA na
Petrobrás. XIII SemeAD-FEA/USP. São Paulo. Setembro, 2010.

MAGALHÃES, S. R.; ANDRADE, E. A. Testes à igualdade dos parâmetros de um

modelo de regressão: Uma aplicação especial das variáveis binárias (DUMMY). Revista
E-xacta. Belo Horizonte, v. 2, n. 3, dezembro 2009.

MAGOLBO, Luiza Martino. Análise entre eficiência operacional e índices de

rentabilidade de empresas de consumo. Trabalho de Conclusão de Curso, Escola
Superior de Administração e Gestão – STRONG ESAGS, 2017.

MANKIW, N.G. Introdução à Economia. SP. Pioneira Thomson Learning. 2005.

MARQUES, L. D. Modelos dinâmicos com dados em painel: revisão de literatura,

Portugal, 2000.

MARQUES, Mariana Ávila de Paiva et al. Fatores de governança corporativa que

impactam a produção de valor de adicionado nas empresas dos setores varejista e
atacadista brasileiros. 2018

MARSHALL, A. Princípios de economia (Vol. 1). São Paulo: Abril Cultural. 1982.

MENEZES, Vinicius Oliveira. Inovação e desempenho financeiro: uma análise das

organizações brasileiras que mais inovaram. 2019.

MIFANO, G. Instituto Ethos debate a crise mundial de confiança, nas empresas.

Disponível em www.ethos.org.br/docs/jornalismo/sala_imprensa/destaque/15ago.shtml>
Acesso em 13 de jun. de 2021

MILES, Mike E. et al. Real estate development: principles and process. (No Title), 1996.
 233

MILGRON, P.; ROBERTS J. Economics Organization and Management. Englewoods

Cliffs, NJ. Prentice-Hall, 1992.

MILLER, Danny; FRIESEN, Peter H. A longitudinal study of the corporate life

cycle. Management science, v. 30, n. 10, p. 1161-1183, 1984.

MODRO, Wilton Moisés; RUBENS, F. A. M. Á.; PETROKAS, Leandro Augusto.

Modelo tradicional x modelo dinâmico de análise do capital de giro: um estudo
comparativo entre duas empresas de mesmo setor com diferentes performances
financeiras. FACEF Pesquisa-Desenvolvimento e Gestão, v. 15, n. 1, 2012

MORCK, R., ANDREI, S., ROBERT V. Management ownership and market valuation:
An empirical analysis, Journal of Financial Economics 20, 293-315. 1988

MOREIRA, Angélica Tavares et al. Um estudo comparativo do EBITDA e do Fluxo de

Caixa Operacional em empresas brasileiras do setor de Telecomunicações. Revista de
Gestão, Finanças e Contabilidade, v. 4, n. 3, p. 05-22, 2014.

MOREIRA, Evelyn Ramos Pimentel; FIORIN, Mariana Aparecida Fávero; MARQUES,

Vagner Antônio. Nível de investimentos, eficiência operacional e rentabilidade das
empresas listadas na [B].

MOREIRA, Rafael de L. Conservadorismo contábil e abordagem da informação: estudo

inferencial em empresas de capital aberto. 2009. Dissertação (Mestrado) – Faculdade
de Ciências Econômicas, Departamento de Ciências Contábeis, Universidade
Federal de Minas Gerais: FACE/UFMG, 2009.

MOREL, Claudia Horrany Guimarães Silva et al. Análise da correlação entre o modelo
fleuriet e os indicadores de rentabilidade e liquidez para as maiores e melhores empresas
de capital aberto segundo a revista exame. Brazilian Journal of Development, v. 5, n.
2, p. 1399-1421, 2019.

MOSCHETTA, Carine Lourdes Ceratti; DE SOUZA, Romina Batista de Lucena.

Impacto Da Incerteza Da Política Econômica Nos Investimentos Corporativos Das
Empresas Listadas Na B3.

MÜLLER, Maila Karina; DA SILVA, Leandra. Análise Comparativa Do Desempenho

Econômico-Financeiro De Empresas Do Setor De Energia Elétrica Listadas Na B3
 234

Quanto Ao Impacto Da Adesão De Critérios ESG Na Gestão Empresarial. Revista

Eletrônica de Ciências Contábeis, v. 12, n. 1, p. 1-33, 2023.

MURUNGI, Doreen Umotho. Relationship between macroeconomic variables and

financial performance of insurance companies in Kenya. 2014. 62 f. Dissertação
(Mestrado) - Curso de Master's Degree In Finance, University Of Nairobi, Nairobi, 2014.

NASCIMENTO, Diego Soto do. Impacto da pandemia de COVID-19 nos indicadores

econômicos financeiros das empresas do setor da construção civil listadas na B3. 2021.

NEELY, A. Measuring business performance. London: The Economist Books, 1998.

__________GREGORY, M.; PLATTS, K. Performance measurement system design: a

literature review and research agenda. International Journal of Operations e
Production Management, v. 15, n. 4, p. 80-116, 1995.

__________HILL, J. Inovation and Business Performance: A literature review.

Government. Office of Eastern Region. University of Cambridge. 1998.

NOBILI, C. B. Governança corporativa e retornos esperados no mercado acionário

brasileiro: uma extensão do modelo de três fatores de Fama & French. Dissertação de
mestrado - COPPEAD/Universidade Federal do Rio de Janeiro, Rio de Janeiro,
Brasil, 2006.

NONAKA; I.; TAKEUCHI, H. The Knowledge-Creating Company, New York:

Oxford University Press, 1995.

NUNES, Jéssica Martins et al. Análise dos impactos da covid-19 no mercado imobiliário
brasileiro. Research, Society and Development, v. 9, n. 12, p. e46891211317-
e46891211317, 2020.

NUNES, M.; COSTA JR., N. A relação entre o mercado de ações e as variáveis

macroeconômicas: uma análise econométrica para o Brasil. Revista Brasileira de
Economia, v.59, n. 4, p. 587-607, 2005.

OECD Principles of Corporate Governance. Paris: OECD. 1999

OLIVEIRA, Adílio et al. RELAÇÃO DOS INDICADORES DE DESEMPENHO E

AMBIENTE MACROECONÔMICO. Revista Pretexto, 2021.

OLIVEIRA, Beatriz Maria Monteiro de. Investimentos em inovação e seus reflexos no

desempenho empresarial no período da crise do Covid-19. 2022.
 235

OLIVEIRA, Carolina Vilella Castelo Branco et al. COMPORTAMENTO

ECONÔMICO-FINANCEIRO DO SETOR SIDERÚRGICO-METALÚRGICO NA
CRISE SUBPRIME. REVISTA DE CONTABILIDADE DOM ALBERTO, v. 8, n.
15, p. 119-142, 2019.

OLIVEIRA, Diogo Di Mambro. Desempenho e governança corporativa: Uma análise

econômico-financeira das empresas que aderiram ao segmento “Bovespa Mais” da B3
SA. Pensar Contábil, v. 21, n. 74, 2019.

OLIVEIRA, Ismael Alencar Fiuza de; COELHO, Antônio Carlos Dias. Impacto da
divulgação obrigatória da DVA: evidência em indicadores financeiros. Revista
Evidenciação Contábil & Finanças, v. 2, n. 3, p. 41-55, 2014.

OLIVEIRA, J. C. T.; FRASCAROLI, B. F. Impacto dos fatores macroeconômicos na

emissão de ações na bolsa de valores. Revista de Gestão, Finanças e Contabilidade,
4(1), 30-51. 2014.

OLIVEIRA, L. O. G. Análise Empírica da Relação Entre o Mercado Acionário e

Variáveis Macroeconômicas: de 1972 a 2003. Disponível em:
www.tese.ufsc.br/teses/PCNM0125.pdf. 2006.

OMAKI, E. T. Recursos Intangíveis e Desempenho em Grandes Empresas Brasileiras:

avaliações dos recursos intangíveis como estimadores de medidas de desempenho
financeiras. In: ENCONTRO DA ASSOCIAÇÃO NACIONAL DE PÓS-
GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO, 29, 2005, Brasília. Anais do
XXIX ENANPAD. Brasília: ANPAD, CD-ROM, 2005.

ONGERI, Godfrey M. The effect of macroeconomic variables on the financial

performance of non-bank financial institutions in Kenya. 2014. Tese de Doutorado.
University Of Nairobi.

ONUSIC, L. M.; CASA NOVA, S. P. C.; ALMEIDA, F. C. Modelos de previsão de

insolvência utilizando a análise envoltória de dados: aplicação a empresas brasileiras.
Revista de Administração Contemporânea. 2° ed. Especial, p. 77-97, 2007.

PAMPLONA, Edgar; HEIN, Nelson. Eficiência Operacional Na Geração De

Desempenho Das Empresas Brasileiras Distribuidoras De Energia Elétrica. Desafio
Online, v. 7, n. 2, 2019.
 236

PANDINI, Jardel; STÜPP, Diego Rafael; FABRE, Valkyrie Vieira. Analysis of the
impact of macroeconomic variables on the financial performance of companies in the
sectors of Consumer Cyclical and Non-Cyclical of BM&FBOVESPA. Revista
Catarinense Da Ciência Contábil, v. 17, p. 51, 2018.

PAWLINA, Grzegorz; RENNEBOOG, Luc. Is investment‐cash flow sensitivity caused

by agency costs or asymmetric information? Evidence from the UK. European Financial
Management, v. 11, n. 4, p. 483-513, 2005.

PENROSE, E.T. The Theory of Growth of the Firm. New York: Wiley. 1959.

PEREIRA, Richard Hernani et al. Análise econométrica sobre os índices de rentabilidade

das empresas de capitalização. Simpósio de Excelência em Gestão e Tecnologia, v. 12,
p. 01-11, 2015.

PEREIRA, Tatiane Pietrobelli. Os ciclos econômicos e os indicadores econômico-

financeiros das empresas distribuidoras de energia elétrica no Brasil. 2018.

PEREZ JUNIOR, J.H; BEGALLI, G.A. Elaboração das demonstrações contábeis.3°

ed. São Paulo: Atlas S.A, 2002.

PETERAF, M. A. The cornerstone of competitive advantage a resource-based view,

Strategic Management Journal, v. 14, n. 3, p. 179-191, 1993.

PILATERIS, Peter; MCCABE, Brenda. Contractor financial evaluation model

(CFEM). Canadian Journal of Civil Engineering, v. 30, n. 3, p. 487-499, 2003.

PIMENTA J. T; SCHERMA, F. R. Um estudo da influência entre o dólar e o Ibovespa

no período 1999-2003. Revista Eletrônica de Gestão Organizacional, v. 3, n. 1, p. 18-
25, 2005.

PIMENTEL, R. F. Gestão, estratégia e considerações sobre a nova teoria da firma. Rio

de Janeiro: Universidade Federal Fluminense, 2004.

PORTER, M. E. Vantagem Competitiva. Rio de Janeiro: Campus, 1989.

POSNER, E.A. Economic Analysis of Contract Law after Three Decades: Success or
Failure? YALE L. J. 829. 2002.

PRESTON, L.E. Corporation and society: The search for a paradigm, Journal of
Economic Literature X111. June, 434-453. 1975.
 237

PROPEGADMIN, PROPEGadmin. Influência Do Cenário Econômico E Operação"

Carne Fraca" Nas Demonstrações Contábeis: Uma Análise Comparativa Entre 2016 E
2017 em Empresas Do Setor Da Carne. Revista Conhecimento Contábil, v. 9, n. 2,
2019.

QUINN, Robert E.; CAMERON, Kim. Organizational life cycles and shifting criteria of
effectiveness: Some preliminary evidence. Management science, v. 29, n. 1, p. 33-51,
1983.

QUIRAQUE, Elcídio Henriques et al. Estrutura de capital e rentabilidade de empresas

moderada pela assimetria informacional. Revista de Gestão dos Países de Língua
Portuguesa, v. 20, n. 3, p. 144-165, 2021.

RAJAPATHIRANA, RP Jayani; HUI, Yan. Relationship between innovation capability,

innovation type, and firm performance. Journal of Innovation & Knowledge, v. 3, n. 1,
p. 44-55, 2018.

RAO, D.T., The relationship of macroeconomic factors and financial performance of the
five firms listed in the energy and petroleum sector of the NSE, unpublished master’s
thesis, Strathmore University, Nairobi. 2016.

REIS, Arnaldo Carlos Rezende. Demonstrações contábeis. Saraiva Educação SA, 2017.

RHÉAUME, L., & GARDONI, M. Strategy-making for innovation management and the
development of corporate universities. International Journal on Interactive Design
and Manufacturing, 10(1), 73-84. 2016.

RIBEIRO, M.C. V. Governança corporativa: Um estudo do impacto de seus mecanismos

internos sobre o desempenho financeiro e o valor de mercado de bancos brasileiros.
Dissertação (mestrado) – Centro de Pós-Graduação e Pesquisa em Administração
da Universidade Federal de Minas Gerais, Belo Horizonte, 2009.

RIBEIRO, Maitê Garcia Cruz; DA SILVA MACEDO, Marcelo Álvaro; DA COSTA

MARQUES, José Augusto Veiga. Análise da relevância de indicadores financeiros e não
financeiros na avaliação de desempenho organizacional: um estudo exploratório no setor
brasileiro de distribuição de energia elétrica. Revista de Contabilidade e Organizações,
v. 6, n. 15, p. 60-79, 2012.
 238

RICHARDSON, G.B. The organization of industry, The Economic Journal, 1972

Republished in Richardson 1990 and Richardson 1998.

RODRIGUES, Lucas Macruz. Equity Research: WEG SA. 2021. Tese de Doutorado.

ROSA, Laís Castro; COSTA, Daniel Fonseca. Efeitos da crise mundial de 2008 na
situação econômica e financeira das empresas brasileiras que compõem o
Ibovespa. Revista Mineira de Contabilidade, v. 1, n. 53, p. 6-14, 2014.

ROSS, S.A. The economic theory of agency: The principal's problem. The American
Economic Review, v. 63, n. 2, p. 134-139, 1973.

ROTHWELL, R. ‘Small firms, Innovation and Industrial Change’, Small Business

Economics, vol. I. p. 51-64. 1989.

RUGHOOBUR, S. An Assessment of good corporate governance in state owned

enterprises of Mauritius. Studies in Business and Economics. V. 13 n. 1, 2018.

RUTHERFORD, M. Institutions in economics: the old and the new institutionalism. Nova
York: Cambridge University Press, 1999.

SAMUELS, W. J. The present state of institutional economics. Cambridge Journal of

Economics, v. 19, n. 4, p. 569-590, 1995.

SANTANA, H. N.; de LIMA, S. A.; FERREIRA, B. P. 20 Anos de Real: uma análise da

relação entre câmbio, inflação, taxa de juros e o Ibovespa. Revista Gestão & Tecnologia,
18(2), 44-69.2018.

SANTOS, A.; CASA NOVA, S. P. C. Proposta de um modelo estruturado de análise de

demonstrações contábeis. RAE-e, v. 4, n. 1, art. 8, 2005.

SANTOS, A.; GRATERON, I. R.G. Contabilidade criativa e responsabilidade dos

auditores. Revista Contabilidade e Finanças. São Paulo – SP, ano XIV, n. 32, p. 7-22,
maio/ago. 2003.

SANTOS, Alex Carneiro dos. Análise financeira de modelos de negócios Business to

Business (B2B) e Business to Consumer (B2C) no comércio eletrônico do Brasil. 2019.

SANTOS, Floriza Maria dos; TEIXEIRA, Arilton; DALMACIO, F. Z. Impacto das

flutuações econômicas no desempenho das empresas: estudo intra-setorial sob a
perspectiva da teoria dos ciclos econômicos. In: Anais Congresso ANPCONT,
Salvador, BA, Brasil. 2008.
 239

SANTOS, Ricardo Pering dos et al. Aplicação do método do fluxo de caixa descontado
na Intelbras SA. 2022.

SANTOS, Thiago Cardoso Lacerda. Enquanto uns choram outros vendem lenços:
indicadores econômico-financeiros das empresas do setor de Tecnologia da Informação.
2022.

SCHUMPETER, J. A Teoria do Desenvolvimento Econômico. Uma investigação

sobre lucro, capital, crédito, juro e ciclo econômico. 2° ed. São Paulo: Nova Cultural,
1985.

_____________________ Business Cycle: a Theoretical, Historical and

Statistical Analysis of the Capitalist Process. 1. ed. Nova York: McGraw-Hill,
1939. v. 1950

SHAPIRO, D.; TANG, Y.; WANG, M.; ZHANG, W. The effects of corporate
governance and ownership on the innovation performance of Chinese SMEs, Journal of
Chinese Economic and Business Studies, 14(4): 311-335. 2015.

SHLEIFER, A.; ROBERT, W. V. “A Survey of Corporate Governance.” Journal of

Finance 52, 737-783. 1997.

SHLEIFER, A.; VISHNY, R. W. A survey of corporate governance. The Journal of

Finance, v. 52, n. 2, p. 737-783, 1997.

SIFFERT FILHO, N. Governança corporativa: padrões internacionais e evidências

empíricas no Brasil nos anos 90. Revista do BNDES, n. 9, 1998.

SILVA J. J.C.A; MENEZES, G; FERNANDEZ, R. N. Uma Análise VAR das Relações

entre o Mercado de Ações e as Variáveis Macroeconômicas para o Brasil. Revista
Economia e Desenvolvimento, n. 23, 2011.

SILVA NETO, José Rodrigues da; SANTOS, José Glauber Cavalcante dos;
GORDIANO, Carlos Adriano Santos Gomes. Privatização e desempenho econômico-
financeiro do setor de energia elétrica da brasil bolsa balcão (b3). Contabilometria, v. 9,
n. 1, 2022.

SILVA SANTOS, Lívia Maria da et al. Níveis diferenciados de governança corporativa:

impacto no valor de mercado e desempenho econômico-financeiro das empresas. Capital
Científico, v. 17, n. 2, 2019.
 240

SILVA, Alini da; FLORIANI, Ricardo; HEIN, Nelson. Influência do desempenho

econômico financeiro nas inovações tecnológicas de empresas brasileiras de capital
aberto da construção civil. Revista de Administração da Universidade Federal de
Santa Maria, v. 11, n. 4, p. 1088-1103, 2018.

SILVA, Camila Lopes da; SILVA, Jean Marcos da. COMPOSIÇÃO DA ESTRUTURA
DE CAPITAL DA EMPRESA NATURA SA. JEAN MARCOS DA SILVA, p. 53.

SILVA, Carolina Terra Resende; SANTOS, David Ferreira Lopes. Desempenho

financeiro e valor de mercado do setor de telefonia no Brasil. Revista Ciências
Administrativas, v. 21, n. 1, p. 42-67, 2015.

SILVA, Crisiane Teixeira da et al. Avaliação do ranking de desempenho socioambiental

e econômico-financeiro das empresas do setor de materiais listadas na B3. Revista de
Gestão, Finanças e Contabilidade, v. 11, n. 2, p. 22-39, 2021.

SILVA, Denise Mendes da; MARTINS, Vinícius Aversari; LIMA, Fabiano Guasti.
Escolhas contábeis na demonstração dos fluxos de caixa em companhias listadas no novo
mercado da B3. Revista Contemporânea de Contabilidade, v. 15, n. 36, p. 143-165,
2018.

SILVA, Geraldo da. Os níveis de governança corporativa da Bovespa e o desempenho

financeiro das empresas listadas. 2011.

SILVA, Gilclebe Rodrigues da; DIAS, Luiz Daniel Albuquerque; LIMA, Sheila Raquel
de Moraes Rêgo. Análise econômica e financeira: estudo comparativo das demonstrações
financeiras das redes de farmácias Pague Menos SA e Raia Drogasil SA. Contaduria
Universidad de Antioquia, n. 67, p. 155, 2015.

SILVA, O. M.; CRUZ JR. J. C. Dados em painel: uma análise do modelo estatístico.
In: SANTOS, Maurinho Luiz dos; VIEIRA, Wilson da Cruz (Org.). Métodos
quantitativos em economia. Viçosa, MG: Imprensa Universitária, 2004.

SILVA, R. L. M.; NARDI, P. C. C.; MARTINS, V. A.; BAROSSI Filho, M. Os níveis

de governança corporativa da BM&F BOVESPA aumentam a liquidez das ações? BASE
– Revista de Administração e Contabilidade da Unisinos, 13(3). 2016
 241

SILVEIRA, A. D. M. Governança corporativa e estrutura de propriedade: determinantes

e relação com o desempenho das empresas no Brasil. Tese de doutorado em
Administração, Universidade de São Paulo (USP), SP, Brasil. 2004.

SILVEIRA, A. M., BARROS, L. A. B., FAMÁ, R. Atributos Corporativos, Qualidade da

Governança Corporativa e Valor das Companhias Abertas no Brasil. RBFIN – Revista
Brasileira de Finanças, São Paulo, 2006.

_________________________________________Estrutura de governança e valor das

companhias abertas brasileiras. Revista de prática. 2. ed. Rio de Janeiro: Elsevier, 2015.

SILVEIRA, C. Desenvolvimento local e novos arranjos socioinstitucionais: algumas

referências para a questão da governança. In: DOWBOR, L. et al. Políticas para o
desenvolvimento local. São Paulo: Perseu Abramo. p. 41-66. 2010

SILVEIRA, J. D.C.A.; OLIVEIRA, M.A. Inovação e desempenho organizacional: um

estudo com empresas brasileiras inovadoras. Sociedade, Contabilidade e Gestão, v.8. n.
2, p. 64-88, 2013.

SLOMSKI, V.; MELLO, R. de; TAVARES, F. Filho; MACÊDO, F. de Q. Governança

corporativa e governança na gestão pública. São Paulo: Atlas. 2008.

SMITH, A. A Riqueza das Nações de Adam Smith - Coleção Clássicos do Pensamento

Econômico. São Paulo: Saraiva, 2010.

SOARES, Paula Hortência da Silva; FARIA, Juliano Almeida de; OLIVEIRA, José
Jackson de. Análise das Demonstrações Contábeis: uma Proposta de Referência de
Índices de Liquidez para Empresas Brasileiras. ConTexto-Contabilidade em Texto, v.
19, n. 43, 2019.

SOUZA, I. B. & KLOECKNER, G. O. A governança corporativa influencia a eficiência

das empresas brasileiras? Revista de Contabilidade e Finanças, 25(65):145-160. 2014.

SOUZA, J. C.; SCARPIN, J. E. Fraudes Contábeis: As respostas da contabilidade nos

Estados Unidos e na Europa. III Simpósio de Excelência em Gestão e Tecnologia.
Blumenau: FURB. p. 1-12, 2006.

STOCK, J. H., e WATSON, M. W. Introduction to econometrics, volume 104. Addison

Wesley New York, 2003.

SVEIBY, Karl Erik. The new organizational wealth: Managing & measuring
knowledge-based assets. Berrett-Koehler Publishers, 1997.
 242

TAFARA, E., ROBERT S. Fastering an International Regulatory Consensus. In

Economic perspectives. February. US. Department of State. Bureau of International
Information Programs. 2005.

TAKAHASHI, S. Gestão da inovação em produtos: estratégia, processo, organização

e conhecimento. Rio de Janeiro: Elsevier, 2007.

TAVARES, Vitor Borges; PENEDO, Antônio Sérgio Torres. Desempenho empresarial e

níveis de governança corporativa: um estudo longitudinal das empresas listadas na
BM&FBOVESPA entre 2001 e 2015. RAGC, v. 6, n. 23, 2018.

TEIXEIRA, Emanuela Lopes Ribeiro et al. Análise Comparativa Do Desempenho

Econômico-Financeiro Entre Setores De Consumo Da B3, Em Períodos De Crise
Econômica. 4° Congresso UFU de Contabilidade, 2021.

TIDD, J. BESSANT, J. Innovation management challenges: From fads to fundamentals.

International Journal of Innovation Management, 22(05). 2018.

TIDD, J.; BESSANT, J.; PAVITT, K. Managing Innovation. Integrating Technological,

Market and Organizational Change. England: John Wiley & Sons, 1997.

_______________________________Managing innovation: Integrating

technological, market and organizational change (2nd ed). Chichester: John Wiley &
Sons Ltd. 2001.

TOMÉ, R.; URGAL, B.; QUINTÁS, M. Propuesta de medida del desempeño innovador:
aplicación en las empresas innovadoras españolas. Cuadernos de Gestión, 13(1), 41-67,
2013.

TREVISAN, Antoninho Marmo. O Contencioso. Fique por dentro. 2002.

TROJAN, Debora Anne; DANIELLI, Debora; EINSWEILLER, André Carlos. Folga

Financeira Versus Desempenho Econômico: Um Estudo Em Empresas Do Setor De
Petróleo, Gás E Biocombustíveis Listadas Na B3. Anais USP de Iniciação Científica
em Contabilidade, SP, Brasil, v. 17, 2020.

TROTT, P. Gestão da inovação e desenvolvimento de novos produtos. 4. ed. Porto

Alegre: Bookman, 2012.

ULLAH, Nazim. Corporate Strategy of Maxis-A Telecom Industry of Malaysia. 2021.

 243

UREMADU, Sebastian Ofumbia et al. Working capital management, liquidity and

corporate profitability among quoted firms in Nigeria: Evidence from the productive
sector. International journal of academic research in accounting, finance and
management sciences, v. 2, n. 1, p. 80-97, 2012.

VADAS, GABRIEL DIAS GAAL. AVALIAÇÃO ECONÔMICO-FINANCEIRA DE

UMA COMPANHIA AÉREA BRASILEIRA.

VASCONCELLOS, M.A.S. Economia micro e macro. 5 ed. São Paulo: Atlas, 453 p.
2011.

VASCONCELLOS, M.A.S.; GARCIA, M.E. Fundamentos de Economia.3° Ed. São

Paulo. Saraiva. 1998.

VEBLEN, T. Absentee ownership business enterprise in recent times: the case of

America. Londres: Transaction Publishers. 1997.

VIEIRA, Samuel Alves. A INFLUÊNCIA DO NÍVEL DE GOVERNANÇA

CORPORATIVA NO DESEMPENHO DAS EMPRESAS DA B3 DURANTE A
PANDEMIA DE COVID-19. 2022.

VIEIRA, S.P.; MENDES, A.G.S.T. Governança corporativa: uma análise de sua evolução
e impactos no mercado de capitais brasileiro. Revista do BNDES, v. 11, n. 22, p. 103-
122, dez. 2004.

VILELA, D. L.; NAGANO, M. S.; MERLO, E. M. Aplicação da análise envoltória de

dados em cooperativas de crédito rural. Revista de Administração Contemporânea, 2°
ed. p. 99-120, 2007.

VILELA, D. L.; NAGANO, M. S.; MERLO, E. M. Aplicação da análise envoltória de

dados em cooperativas de crédito rural. Revista de Administração Contemporânea, 2°
ed. p. 99-120, 2007.

VU, Thi-Hanh et al. Determinants of Vietnamese listed firm performance: Competition,

wage, CEO, firm size, age, and international trade. Journal of Risk and Financial
Management, v. 12, n. 2, p. 62, 2019.

WANG, Hongdi et al. The curvilinear relationship between corporate social performance
and corporate financial performance: Evidence from the international construction
industry. Journal of cleaner production, v. 137, p. 1313-1322, 2016.
 244

WASWA, Calistus Wekesa; MUKRAS, Mohamed Suleiman; OIMA, David. Effect of

liquidity on financial performance of the Sugar Industry in Kenya. 2018.

WATTS, R., ZIMMERMANN, J., 1986. Positive Accounting Theory. Prentice-Hall,

Englewood Cliffs, NJ. 1986.

WELC, Jacek. Coverage of EBITDA by Operating Cash Flows as a Warning Signal

About Forthcoming Bankruptcy Filing. American Journal of Service Science and
Management, v. 4, n. 2, 2017.

WESCHENFELDER, Greisi Angélica et al. The impact of the COVID-19 pandemic on

the economic-financial analyses of publicly traded telecommunications companies listed
on B3: O impacto da pandemia da COVID-19 nas análises econômico-financeiras das
empresas de capital aberto do ramo de telecomunicações listadas na B3. Concilium, v.
23, n. 2, p. 380-394, 2023.

WILLIAMSON, O. E. Managerial Discretion and Business Behavior. American

Economic Review, v.53. p. 1032-1055, 1964.

________, Markets and Hierarchies: Analysis and Antitrust Implications. 1.Ed. The
Free Press, 286 p., 1975

________,. The economic institutions of capitalism. New York: Macmillan,1985.

________,. The vertical integration of production: market failure considerations.

American Economic Review, Papers and Proceedings.v.63, p.316-325, 1971.

________, and WINTER, S. (eds), The Nature of the Firm, Origin, Evolution and
Development. Oxford University Press, New York, 1993.

WILSON, J.Q., Varieties of Police Behavior, Harvard University Press, Cambridge,

MA. 1968.

WOOLDRIDGE, J. M. Econometric analysis of cross section and panel data. MIT

press, 2001.

WRIGHT, P.; KROLL, M.; PARNELL, J. Administração Estratégica. São Paulo. Atlas,
2000.

XAVIER, Douglas Raphael Augusto. Indicadores de rentabilidade: um comparativo entre

as empresas do Novo Mercado e Mercado Tradicional. 2020.
 245

YOON, Jungwon; SUH, Moon-Gi. Determinants of organizational performance: some

implications for top executive leadership in Korean firms. Asia Pacific Business Review,
v. 25, n. 2, p. 251-272, 2019.

ZIMMER, Daniel Luiz; BILIBIO, João Paulo; MICHELS, Andressa. Indicadores de

desempenho econômico-financeiro nas empresas do agronegócio listadas na B3
SA. Custos e Agronegócio on line, v. 15, p. 405-438, 2019.

ZIROLDO, LORENA et al. Impacto do Contexto Econômico e de Indicadores de

Rentabilidade nos Estágios do Ciclo de Vida Organizacional de empresas de Construção
Civil. In: XX USP International Conference in Accouting ‘’Accounting as a
Governance mechanism. 2020.
 246

APÊNDICES
Lista das Empresas Listadas da Amostra

Amostra Empresas Listadas

Cod. Empresa NDGC
AALR Centro de Imagem Diagnostica NM
ABEV AMBEV X
AERI3 AERIS NM
AESB AES NM
AFLT Afluente x
AGRO Brasil Agro NM
AGXY Agrolaxy NM
ALLD Allied Tecnologia NM
ALPA Alpargatas N1
ALPK Allpark NM
ALSO Aliansce Sonae NM
AMAR Loja Marisa NM
AMBP Ambipar NM
AMER Americanas NM
ANIM Anima NM
ARML Armac NM
ARZZ Arezzo NM
ASAI Sendas NM
ATMP Atma NM
ATOM Atom Empreendimentos X
AURE Auren NM
AVLL Alphaville NM
AZEV Azevedo e Travessos X
BAHI Bahama MA
BALM Baumer X
BAUH Excelsior X
BDLL Bardella X
BEEF Minerva NM
BIOM Biomm NM
BLAU Blau NM
BLUT Blue X
BMKS Monark X
BOAS Boa Vista NM
BRFS BRF NM
BRKM Braskem N1
BRML BR Malls X
BRPR BR properties NM
CALI3.SA Const Adolpho Lindenberg X
CAML Camil NM
CASH Méliuz NM
 247

CASN Casan X
CBAV CBA NM
CCRO CCR NM
CEAB C&A NM
CEBR CEB NM
CEDO Cedro Cachoeira N1
CEEB Coelba X
CEGR CEG X
CEPE5 Celpe X
CGAS5 Comgas X
CGRA4 Grazziotim X
CIEL Cielo NM
CLSA Clear Sale NM
CLSC Celesc N2
CMIG Cemig N1
CMIN CSN N2
COCE Coelce X
COGN Cogna NM
CPFE CPFL NM
CPLE Copel N2
CRDE CR2 Empreendimentos X
CRFB Atacadao NM
CRPG Tronox X
CSAN Cosan NM
CSED Cruzeiro do Sul NM
CSMG Copasa NM
CSNA CSN X
CSRN Cosern X
CTNM Coteminas X
CTSA Santanense X
CVCB CVC NM
CYRE Cyrella NM
DASA Diagnosticos da America NM
DESK Desktop NM
DIRR Direcional NM
DMVF D1000 varejo farma NM
DOHL Dohle X
DTCY Dtcom X
DXCO Dexco NM
EALT4 Electro Aco Altona X
ECOR Eco Rodovias NM
EEEL4.SA
EGIE Engie Energia NM
ELET Eletrobras N1
ELMD Eletromidia NM
 248

EMAE Emae X
EMBR Embraer NM
ENAT Enauta NM
ENBR EDP NM
ENEV Eneva NM
ENGI Energisa N2
ENJU Enjoei NM
ENMT Energisa X
EPAR EMBPAR X
EQPA Equatorial Distribuição X
EQTL Equatorial Energia NM
ESPA Espaço lazer NM
ETER Eternit NM
EUCA Eucatex N1
EVEN Even Construtora NM
EZTC Eztec NM
FESA Ferbasa N1
FHER Fertilizantes heringer NM
FIQE Unifique NM
FLRY Fleury NM
FRAS Fras-le N1
FRIO Metalfrio NM
GEPA Paranapanema Energia X
GETT Getnet X
GFSA Gafisa NM
GGBR Gerdau N1
GMAT Grupo Mateus NM
GOAU Metalurgica Gerdau N1
GRND Gransol X
GSHP Generalshopp X
GUAR Guararapes NM
HAPV Hapvida NM
HBOR helbor NM
HBRE HBR Realty NM
HBSA Hidrovias NM
HYPE Hypera NM
IFCM Infracommerce NM
IGTI Iguatemi N1
INTB Intelbras NM
JALL Jalles Machado NM
JBSS JBS NM
JFEN João Fortes X
JHSF Jhsf Participações NM
JOPA Josapar X
JSLG Jsl NM
 249

KEPL Kepler Weber

KLBN Klabin N2
KRSA Kora Saúde NM
LAND Terra Santa NM
LAVV Lavvi NM
LEVE Metal Leve NM
LIGT Light NM
LJQQ
LLIS lelis Blanc NM
LOGG Log Comercial NM
LOGN Log Logistiva NM
LPSB Lps Breasil NM
LREN Lojas Renner NM
LUPA Lupatech NM
LUXM Trevis X
LVTC Livetech NM
LWSA Locaweb NM
MATD Mater Dei NM
MBLY Mobly NM
MDIA Mdias Branco NM
MDNE Moura Dubeux NM
MEAL Meal Alimentação NM
MEGA Omega Energia NM
MELK melnick NM
MGLU Magazine Luiza NM
MILS Mills Logistica NM
MLAS Multilase NM
MOVI Movida NM
MRFG Marfrig NM
MRSA MRS Logistica MB
MRVE MRV NM
MSPA Cia Melhoramentos X
MTRE Mitre Participação NM
MTSA Metisa X
MULT Multiplan N2
MYPK Iochpe Maxion NM
NEOE Neoenergia NM
NEXP Nexpe NM
NGRD Neogris NM
NTCO Natura NM
NUTR Nutriplant MA
ODPV Odontoprev NM
OFSA Ouro Fino NM
OIBR Oi N1
ONCO Oncoclínicas NM
 250

OPCT Oceanpact NM
ORVR Orizon NM
PARD Pardini NM
PATI Panatlantica X
PCAR Pão de Açucar NM
PDTC Padtec NM
PETR Petrobras N2
PETZ Petz NM
PFRM Profarma NM
PGMN Pague Menos NM
PLPL Planoeplano NM
PMAM Paranapanema Energia NM
PNVL Dimed NM
POMO Marcopolo N2
PORT Wilson Sons NM
POSI Positivo NM
PRIO Petrorio NM
PRNR Priner NM
PTNT Pettenati X
RADL Raiadroga NM
RAIL Rumo NM
RAIZ Raizen N2
RANI Irani NM
RAPT Randon Part N1
RDNI RNI NM
RDOR Rede Dór NM
RECV Petrorecsa NM
REDE Rede Energia X
RENT Localiza NM
RNEW Renova N2
ROMI Romi NM
RRRP 3R Petroleum NM
RSID Rossi Residencial NM
RSUL Riosulense X
SAPR Sanepar N2
SBFG SBF NM
SBSP Sabesp NM
SCAR São Carlos NM
SEER Ser Educacional NM
SEQL Sequoia Log NM
SGPS Springs NM NM
SHOW Time for Run NM
SHUL Schulz X
SIMH Simpar NM
SLCE Slc Agricola NM
 251

SLED Saraiva N2
SMFT Smart Fit NM
SMTO São Martinho NM
SOJA Boa Safra NM
SOMA Soma NM
SOND Sondotecnica NM
SQIA Sinqia NM
STBP Santios BRP NM
SUZB suzano NM
SYNE Syn Prop Tec NM
TASA Taurus N2
TCNO Tecnosolo X
TCSA Tecnisa NM
TECN Technos NM
TELB Telebras X
TEND Tenda NM
TFCO Track Field N2
TGMA Tegmna NM
TIMS TIM NM
TKNO Tekno X
TOTS Totvs NM
TPIS Triunfo Part NM
TRIS
TRPL
TTEN 3 Tentos NM
TUPY Tupy NM
UCAS Unicasa NM
UGPA Ultrapar NM
UNIP Unipar X
USIM Usiminas N1
VALE Vale NM
VAMO Vamos NM
VBBR Vibra NM
VIIA Via NM
VITT Vittia NM
VIVA Vivara NM
VIVR Viver NM
VIVT Telef Brasil X
VLID Valid NM
VULC Vulcabras NM
VVEO viveo NM
WEGE Weg NM
WEST westwing NM
WHRL Whirlpool X
WLMM Wlm Ind Com X
 252

YDUQ Yduqd NM
ZAMP Zamp NM

Regressão Geral da Amostra Listada

####Pacotes Usados ###

library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
 253

##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.csv", header = T,sep = ";"
,dec = ".",quote = "\""))

base$Empresa<-as.factor(base$Empresa)#transformo os caracteres em fato

res (n?meros)
painel<-pdata.frame(base,
index=c("Empresa","Data"),
drop.index=TRUE,
row.names =TRUE)

names(painel)

summary(painel)

#CFROA

painel$vard<-painel$CFROA

names (painel)

regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT +

NGC + Covid+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT

+ NGC + Covid+ Inov,data=painel, model="within")#modelo efeito fixo pa
ra empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT

+ NGC + Covid+ Inov,data=painel, model="random")#modelo efeito aleat?r
io para empresa
 254

summary(regp)
summary(regfe)
summary(regre)

#####################################################Testes para os mo
delos###
#Teste F para H0: Modelo Pooled vs H1: Efeitos Fixos
b1<-pFtest(regfe, regp) #rejeito H0
b1
#Teste LM para H0: Modelo Pooled vs H1: Efeitos Aleat?rios
b2<-plmtest(regp) #rejeito H0
b2
#Teste de Hausman para H0: Efeitos Aleat?rios vs H1: Efeitos Fixos
b3<-phtest(regre,regfe) # rejeito H0
b3
#seleciono modelo de efeitos fixos

#####################################################Testes para adequ

acao dos modelos###

#Teste modificado de Durbin-Watson para correlacao serial

c1<-pdwtest(regfe)
c1
#Teste de Breusch-Godfrey / Wooldridge para Homocedasticidade
c2<-bptest(regfe)
c2
#Teste de Pesran para depend?ncia transversal
c3<-pcdtest(regfe, test="cd")
## Warning in pcdres(tres = tres, n = n, w = w, form = paste(deparse(x
$formula)), :
## Some pairs of individuals (5.8 percent) do not have any or just one
time period
## in common and have been omitted from calculation
c3
#Teste de Kolmogorov-Smirnov para normalidade
 255

c4<-ks.test(regfe$residuals,"pnorm")
c4

######################################################Tabela Resumo###
options(digits = 4)

rCFROA<-regfe

b<-data.frame(Model2= c("Pooled vs FE", "Pooled vs RE","FE vs RE", "")

,
Test2= c(0,0,0,""),
Pvalue2= c(0,0,0, ""))

c<-data.frame(Model3= c("Durbin-Watson", " Breusch-Godfrey","Persan",

"Kolmogorov-Smirnof"),
Test3= c(0,0,0,0),
Pvalue3= c(0,0,0, 0))

tabela<-cbind(b,c)

tabela[1,2]<-round(as.numeric(b1$statistic),4)
tabela[1,3]<-as.numeric(b1$p.value)
tabela[2,2]<-round(as.numeric(b2$statistic),4)
tabela[2,3]<-as.numeric(b2$p.value)
tabela[3,2]<-round(as.numeric(b3$statistic),4)
tabela[3,3]<-as.numeric(b3$p.value)
 256

tabela[1,5]<-round(as.numeric(c1$statistic),4)
tabela[1,6]<-as.numeric(c1$p.value)
tabela[2,5]<-round(as.numeric(c2$statistic),4)
tabela[2,6]<-as.numeric(c2$p.value)
tabela[3,5]<-round(as.numeric(c3$statistic),4)
tabela[3,6]<-as.numeric(c3$p.value)
tabela[4,5]<-round(as.numeric(c4$statistic),4)
tabela[4,6]<-as.numeric(c4$p.value)

tabela

for ( i in 1:3){

if(tabela$Pvalue2[i]=="NaN"){
tabela$Test2[i]<-"NaN"
}
tabela$Pvalue2[i]<-round(as.numeric(tabela$Pvalue2[i]),3)
if(tabela$Pvalue2[i]<0.01){
tabela$Test2[i]<-paste(tabela$Test2[i],"***",sep="")
}else{
if(tabela$Pvalue2[i]<0.05){
tabela$Test2[i]<-paste(tabela$Test2[i],"**",sep="")
} else{
if(tabela$Pvalue2[i]<0.1){
tabela$Test2[i]<-paste(tabela$Test2[i],"*",sep="")
}else{
tabela$Test2[i]<-paste(tabela$Test2[i],"",sep="")
 257

for ( i in 1:4){

if(tabela$Pvalue3[i]=="NaN"){
tabela$Test3[i]<-"NaN"
}
tabela$Pvalue3[i]<-round(as.numeric(tabela$Pvalue3[i]),3)
if(tabela$Pvalue3[i]<0.01){
tabela$Test3[i]<-paste(tabela$Test3[i],"***",sep="")
}else{
if(tabela$Pvalue3[i]<0.05){
tabela$Test3[i]<-paste(tabela$Test3[i],"**",sep="")
} else{
if(tabela$Pvalue3[i]<0.1){
tabela$Test3[i]<-paste(tabela$Test3[i],"*",sep="")
}else{
tabela$Test3[i]<-paste(tabela$Test3[i],"",sep="")
}

}
tabela[,c(1,2,4,5)]%>%
gt()%>%

tab_spanner(label=md("**Painel Models Tests**"),

columns= vars(Model2, Test2))%>%
tab_spanner(label=md("**Estatistic Tests of Best Model**"),
 258

columns= vars(Model3, Test3))%>%

cols_label(

Model2 =md("**Test**"),
Test2=md("**Estatistic**"),
Model3 =md("**Test**"),
Test3=md("**Estatistic**"))
## Warning: Since gt v0.3.0, `columns = vars(...)` has been deprecated
.
## • Please use `columns = c(...)` instead.
## Since gt v0.3.0, `columns = vars(...)` has been deprecated.
## • Please use `columns = c(...)` instead.

Painel Models Tests Estatistic Tests of Best Model

Test Estatistic Test Estatistic

Pooled vs FE 4.5453*** Durbin-Watson 2.2674

Pooled vs RE 24.0738*** Breusch-Godfrey 56.371***

FE vs RE 45.0899*** Persan 13.5158***

Kolmogorov-Smirnof 0.4541***

#####################################################Tabela Stargazer#
##

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

stargazer(regp, regfe, regre,

digits = 4,
se = estatrobustos,
type="text",
title = "CFROA",
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
 259

## CFROA
## ===================================================================
==================
## Dependent variable:
## --------------------------------------------
------------------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
------------------
## EfOp -0.0003** 0.00001
-0.0001
## (0.0001) (0.00003)
(0.00005)
##
## LIQ -0.00003 0.0001
-0.0002
## (0.0005) (0.0015)
(0.0007)
##
## End -0.0239*** -0.0232**
-0.0247***
## (0.0068) (0.0092)
(0.0066)
##
## Imob 0.0058 -0.0039
0.0049
## (0.0073) (0.0133)
(0.0072)
##
## Lnativo 0.0020** -0.0019
0.0021**
## (0.0008) (0.0030)
(0.0009)
##
## SetorConsumo Padrao 0.0082**
0.0079*
## (0.0041)
(0.0046)
##
 260

## SetorEnergia 0.0121**
0.0133***
## (0.0051)
(0.0050)
##
## SetorImobiliario -0.0010
-0.0025
## (0.0034)
(0.0041)
##
## SetorIndustrial 0.0057
0.0040
## (0.0037)
(0.0044)
##
## SetorMateriais Basicos 0.0086*
0.0090**
## (0.0044)
(0.0045)
##
## SetorSaude 0.0101*
0.0096
## (0.0054)
(0.0059)
##
## SetorTecnologia 0.0020
0.0010
## (0.0066)
(0.0065)
##
## SetorTelecomunicacoes 0.0144**
0.0176**
## (0.0069)
(0.0077)
##
## SetorUtilidades 0.0064**
0.0062**
## (0.0029)
(0.0031)
##
## PIB -0.6117*** -0.4748***
-0.5406***
## (0.1816) (0.1707)
(0.1712)
 261

##
## IPCA -0.0005 0.0002
-0.0002
## (0.0012) (0.0012)
(0.0012)
##
## LFT -0.3469*** -0.2798**
-0.3309***
## (0.1256) (0.1220)
(0.1224)
##
## NGCBovespaMais1e2 -0.0152
-0.0171
## (0.0144)
(0.0151)
##
## NGCNivel1e2 -0.0034
-0.0028
## (0.0032)
(0.0037)
##
## NGCNovoMeracdo -0.0031
-0.0047
## (0.0024)
(0.0029)
##
## Covid -0.0005 0.0013
-0.0002
## (0.0015) (0.0017)
(0.0014)
##
## Inov 0.0011 -0.0005
0.0001
## (0.0029) (0.0026)
(0.0023)
##
## Constant -0.0202
-0.0218
## (0.0168)
(0.0201)
##
## -------------------------------------------------------------------
------------------
 262

## Observations 4,944 4,944

4,944
## R2 0.0411 0.0064
0.0139
## Adjusted R2 0.0368 -0.0517
0.0095
## F Statistic 9.5900*** (df = 22; 4921) 3.0120*** (df = 10
; 4670) 82.3700***
## ===================================================================
==================
## Note: *p<0.1; *
*p<0.05; ***p<0.01
#CFROE
painel$vard<-painel$CFROE

regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT +

NGC + Covid+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT

+ NGC + Covid+ Inov,data=painel, model="within")#modelo efeito fixo pa
ra empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT

+ NGC + Covid+ Inov,data=painel, model="random")#modelo efeito aleat?r
io para empresa

summary(regp)
summary(regfe)
summary(regre)

#####################################################Testes para os mo
delos###
#Teste F para H0: Modelo Pooled vs H1: Efeitos Fixos
b1<-pFtest(regfe, regp) #rejeito H0
b1
#Teste LM para H0: Modelo Pooled vs H1: Efeitos Aleat?rios
b2<-plmtest(regp) #rejeito H0
b2
#Teste de Hausman para H0: Efeitos Aleat?rios vs H1: Efeitos Fixos
 263

b3<-phtest(regre,regfe) # rejeito H0
b3
#seleciono modelo de efeitos fixos

#####################################################Testes para adequ

acao dos modelos###

#Teste modificado de Durbin-Watson para correlacao serial

c1<-pdwtest(regfe)
c1
#Teste de Breusch-Godfrey / Wooldridge para Homocedasticidade
c2<-bptest(regfe)
c2
#Teste de Pesran para depend?ncia transversal
c3<-pcdtest(regfe, test="cd")
## Warning in pcdres(tres = tres, n = n, w = w, form = paste(deparse(x
$formula)), :
## Some pairs of individuals (5.8 percent) do not have any or just one
time period
## in common and have been omitted from calculation
c3
#Teste de Kolmogorov-Smirnov para normalidade
c4<-ks.test(regfe$residuals,"pnorm")
c4

######################################################Tabela Resumo###
options(digits = 4)

rCFROE<-regfe
 264

b<-data.frame(Model2= c("Pooled vs FE", "Pooled vs RE","FE vs RE", "")

,
Test2= c(0,0,0,""),
Pvalue2= c(0,0,0, ""))

c<-data.frame(Model3= c("Durbin-Watson", " Breusch-Godfrey","Persan",

"Kolmogorov-Smirnof"),
Test3= c(0,0,0,0),
Pvalue3= c(0,0,0, 0))

tabela<-cbind(b,c)

tabela[1,2]<-round(as.numeric(b1$statistic),4)
tabela[1,3]<-as.numeric(b1$p.value)
tabela[2,2]<-round(as.numeric(b2$statistic),4)
tabela[2,3]<-as.numeric(b2$p.value)
tabela[3,2]<-round(as.numeric(b3$statistic),4)
tabela[3,3]<-as.numeric(b3$p.value)

tabela[1,5]<-round(as.numeric(c1$statistic),4)
tabela[1,6]<-as.numeric(c1$p.value)
tabela[2,5]<-round(as.numeric(c2$statistic),4)
tabela[2,6]<-as.numeric(c2$p.value)
tabela[3,5]<-round(as.numeric(c3$statistic),4)
tabela[3,6]<-as.numeric(c3$p.value)
tabela[4,5]<-round(as.numeric(c4$statistic),4)
tabela[4,6]<-as.numeric(c4$p.value)

tabela
 265

for ( i in 1:3){

if(tabela$Pvalue2[i]=="NaN"){
tabela$Test2[i]<-"NaN"
}
tabela$Pvalue2[i]<-round(as.numeric(tabela$Pvalue2[i]),3)
if(tabela$Pvalue2[i]<0.01){
tabela$Test2[i]<-paste(tabela$Test2[i],"***",sep="")
}else{
if(tabela$Pvalue2[i]<0.05){
tabela$Test2[i]<-paste(tabela$Test2[i],"**",sep="")
} else{
if(tabela$Pvalue2[i]<0.1){
tabela$Test2[i]<-paste(tabela$Test2[i],"*",sep="")
}else{
tabela$Test2[i]<-paste(tabela$Test2[i],"",sep="")
}

for ( i in 1:4){

if(tabela$Pvalue3[i]=="NaN"){
tabela$Test3[i]<-"NaN"
}
 266

tabela$Pvalue3[i]<-round(as.numeric(tabela$Pvalue3[i]),3)
if(tabela$Pvalue3[i]<0.01){
tabela$Test3[i]<-paste(tabela$Test3[i],"***",sep="")
}else{
if(tabela$Pvalue3[i]<0.05){
tabela$Test3[i]<-paste(tabela$Test3[i],"**",sep="")
} else{
if(tabela$Pvalue3[i]<0.1){
tabela$Test3[i]<-paste(tabela$Test3[i],"*",sep="")
}else{
tabela$Test3[i]<-paste(tabela$Test3[i],"",sep="")
}

}
tabela[,c(1,2,4,5)]%>%
gt()%>%

tab_spanner(label=md("**Painel Models Tests**"),

columns= vars(Model2, Test2))%>%
tab_spanner(label=md("**Estatistic Tests of Best Model**"),
columns= vars(Model3, Test3))%>%
cols_label(

Model2 =md("**Test**"),
Test2=md("**Estatistic**"),
Model3 =md("**Test**"),
Test3=md("**Estatistic**"))
## Warning: Since gt v0.3.0, `columns = vars(...)` has been deprecated
.
## • Please use `columns = c(...)` instead.
## Since gt v0.3.0, `columns = vars(...)` has been deprecated.
## • Please use `columns = c(...)` instead.
 267

Painel Models Tests Estatistic Tests of Best Model

Test Estatistic Test Estatistic

Pooled vs FE 2.8238*** Durbin-Watson 1.926***

Pooled vs RE 12.0945*** Breusch-Godfrey 90.794***

FE vs RE 32.6549*** Persan 34.4502***

Kolmogorov-Smirnof 0.3699***

#####################################################Tabela Stargazer#
##

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

stargazer(regp, regfe, regre,

digits = 4,
se = estatrobustos,
type="text",
title = "CFROE",
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE
## ===================================================================
=================
## Dependent variable:
## --------------------------------------------
-----------------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
-----------------
## EfOp -0.0014*** -0.0006*
-0.0009**
 268

## (0.0005) (0.0003)
(0.0004)
##
## LIQ 0.0014 -0.0036
0.0001
## (0.0027) (0.0055)
(0.0028)
##
## End 0.0887 -0.2027
-0.0070
## (0.1213) (0.2814)
(0.1583)
##
## Imob -0.0082 0.1676
0.0544
## (0.0623) (0.1451)
(0.0748)
##
## Lnativo 0.0096 0.0600
0.0167
## (0.0077) (0.0535)
(0.0103)
##
## SetorConsumo Padrao 0.0819*
0.0700
## (0.0472)
(0.0459)
##
## SetorEnergia 0.0132
0.0011
## (0.0232)
(0.0250)
##
## SetorImobiliario -0.0389
-0.0462
## (0.0333)
(0.0388)
##
## SetorIndustrial -0.0168
-0.0366
## (0.0361)
(0.0432)
##
 269

## SetorMateriais Basicos 0.0621*

0.0424
## (0.0365)
(0.0385)
##
## SetorSaude 0.0152
0.0111
## (0.0225)
(0.0248)
##
## SetorTecnologia 0.0767
0.0871
## (0.0770)
(0.0840)
##
## SetorTelecomunicacoes 0.0195
0.0193
## (0.0314)
(0.0337)
##
## SetorUtilidades 0.0161
0.0152
## (0.0229)
(0.0261)
##
## PIB -3.3280* -3.1630
-3.0780*
## (1.7980) (1.9450)
(1.7900)
##
## IPCA -0.0220* -0.0219
-0.0204
## (0.0132) (0.0144)
(0.0131)
##
## LFT -3.7570** -3.5410**
-3.5740**
## (1.6910) (1.6210)
(1.6760)
##
## NGCBovespaMais1e2 -0.0223
-0.0120
## (0.0523)
(0.0595)
 270

##
## NGCNivel1e2 0.0057
0.0149
## (0.0265)
(0.0341)
##
## NGCNovoMeracdo -0.0063
-0.0012
## (0.0313)
(0.0406)
##
## Covid 0.0116 0.0012
0.0109
## (0.0181) (0.0236)
(0.0179)
##
## Inov -0.0051 0.0157
-0.0066
## (0.0249) (0.0322)
(0.0244)
##
## Constant -0.1482
-0.2941
## (0.1760)
(0.2299)
##
## -------------------------------------------------------------------
-----------------
## Observations 4,944 4,944
4,944
## R2 0.0144 0.0048
0.0078
## Adjusted R2 0.0100 -0.0534
0.0034
## F Statistic 3.2610*** (df = 22; 4921) 2.2490** (df = 10;
4670) 40.9400***
## ===================================================================
=================
## Note: *p<0.1; **
p<0.05; ***p<0.01
#CFROIC
painel$vard<-painel$CFROIC
 271

regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT +

NGC + Covid+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT

+ NGC + Covid+ Inov,data=painel, model="within")#modelo efeito fixo pa
ra empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT

+ NGC + Covid+ Inov,data=painel, model="random")#modelo efeito aleat?r
io para empresa

summary(regp)
summary(regfe)
summary(regre)

#####################################################Testes para os mo
delos###
#Teste F para H0: Modelo Pooled vs H1: Efeitos Fixos
b1<-pFtest(regfe, regp) #rejeito H0
b1
#Teste LM para H0: Modelo Pooled vs H1: Efeitos Aleat?rios
b2<-plmtest(regp) #rejeito H0
b2
#Teste de Hausman para H0: Efeitos Aleat?rios vs H1: Efeitos Fixos
b3<-phtest(regre,regfe) # rejeito H0
b3
#seleciono modelo de efeitos fixos

#####################################################Testes para adequ

acao dos modelos###

#Teste modificado de Durbin-Watson para correlacao serial

c1<-pdwtest(regfe)
c1
#Teste de Breusch-Godfrey / Wooldridge para Homocedasticidade
 272

c2<-bptest(regfe)
c2
#Teste de Pesran para depend?ncia transversal
c3<-pcdtest(regfe, test="cd")
## Warning in pcdres(tres = tres, n = n, w = w, form = paste(deparse(x
$formula)), :
## Some pairs of individuals (5.8 percent) do not have any or just one
time period
## in common and have been omitted from calculation
c3
#Teste de Kolmogorov-Smirnov para normalidade
c4<-ks.test(regfe$residuals,"pnorm")
c4

######################################################Tabela Resumo###
options(digits = 4)

rCFROIC<-regfe

b<-data.frame(Model2= c("Pooled vs FE", "Pooled vs RE","FE vs RE", "")

,
Test2= c(0,0,0,""),
Pvalue2= c(0,0,0, ""))

c<-data.frame(Model3= c("Durbin-Watson", " Breusch-Godfrey","Persan",

"Kolmogorov-Smirnof"),
Test3= c(0,0,0,0),
Pvalue3= c(0,0,0, 0))

tabela<-cbind(b,c)
 273

tabela[1,2]<-round(as.numeric(b1$statistic),4)
tabela[1,3]<-as.numeric(b1$p.value)
tabela[2,2]<-round(as.numeric(b2$statistic),4)
tabela[2,3]<-as.numeric(b2$p.value)
tabela[3,2]<-round(as.numeric(b3$statistic),4)
tabela[3,3]<-as.numeric(b3$p.value)

tabela[1,5]<-round(as.numeric(c1$statistic),4)
tabela[1,6]<-as.numeric(c1$p.value)
tabela[2,5]<-round(as.numeric(c2$statistic),4)
tabela[2,6]<-as.numeric(c2$p.value)
tabela[3,5]<-round(as.numeric(c3$statistic),4)
tabela[3,6]<-as.numeric(c3$p.value)
tabela[4,5]<-round(as.numeric(c4$statistic),4)
tabela[4,6]<-as.numeric(c4$p.value)

tabela

for ( i in 1:3){

if(tabela$Pvalue2[i]=="NaN"){
tabela$Test2[i]<-"NaN"
}
tabela$Pvalue2[i]<-round(as.numeric(tabela$Pvalue2[i]),3)
 274

if(tabela$Pvalue2[i]<0.01){
tabela$Test2[i]<-paste(tabela$Test2[i],"***",sep="")
}else{
if(tabela$Pvalue2[i]<0.05){
tabela$Test2[i]<-paste(tabela$Test2[i],"**",sep="")
} else{
if(tabela$Pvalue2[i]<0.1){
tabela$Test2[i]<-paste(tabela$Test2[i],"*",sep="")
}else{
tabela$Test2[i]<-paste(tabela$Test2[i],"",sep="")
}

for ( i in 1:4){

if(tabela$Pvalue3[i]=="NaN"){
tabela$Test3[i]<-"NaN"
}
tabela$Pvalue3[i]<-round(as.numeric(tabela$Pvalue3[i]),3)
if(tabela$Pvalue3[i]<0.01){
tabela$Test3[i]<-paste(tabela$Test3[i],"***",sep="")
}else{
if(tabela$Pvalue3[i]<0.05){
tabela$Test3[i]<-paste(tabela$Test3[i],"**",sep="")
} else{
if(tabela$Pvalue3[i]<0.1){
tabela$Test3[i]<-paste(tabela$Test3[i],"*",sep="")
}else{
tabela$Test3[i]<-paste(tabela$Test3[i],"",sep="")
}

}
 275

}
tabela[,c(1,2,4,5)]%>%
gt()%>%

tab_spanner(label=md("**Painel Models Tests**"),

columns= vars(Model2, Test2))%>%
tab_spanner(label=md("**Estatistic Tests of Best Model**"),
columns= vars(Model3, Test3))%>%
cols_label(

Model2 =md("**Test**"),
Test2=md("**Estatistic**"),
Model3 =md("**Test**"),
Test3=md("**Estatistic**"))
## Warning: Since gt v0.3.0, `columns = vars(...)` has been deprecated
.
## • Please use `columns = c(...)` instead.
## Since gt v0.3.0, `columns = vars(...)` has been deprecated.
## • Please use `columns = c(...)` instead.

Painel Models Tests Estatistic Tests of Best Model

Test Estatistic Test Estatistic

Pooled vs FE 1.8266*** Durbin-Watson 2.2105

Pooled vs RE 6.2038*** Breusch-Godfrey 40.8384***

FE vs RE 38.1113*** Persan 185.6527***

Kolmogorov-Smirnof 0.1***

#####################################################Tabela Stargazer#
##

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

 276

sqrt(diag(vcovHC(regfe, type = "HC1"))),

sqrt(diag(vcovHC(regre, type = "HC1"))))

stargazer(regp, regfe, regre,

digits = 4,
se = estatrobustos,
type="text",
title = "CFROIC",
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC
## ===================================================================
==================
## Dependent variable:
## --------------------------------------------
------------------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
------------------
## EfOp -0.0152 -0.0379
-0.0260
## (0.0282) (0.0618)
(0.0435)
##
## LIQ 0.5764 2.1940
0.7407
## (0.6153) (2.2560)
(0.8000)
##
## End 2.7990 5.0380
3.0350
## (2.4110) (3.7420)
(2.4770)
##
## Imob -4.5390** -3.2560
-4.5730**
## (1.9250) (5.4510)
(2.2770)
 277

##
## Lnativo 0.1315 -0.3934
0.1863
## (0.1905) (1.1900)
(0.1819)
##
## SetorConsumo Padrao 0.3389
0.4926
## (0.4838)
(0.5769)
##
## SetorEnergia 0.4864
0.4562
## (0.6526)
(0.7998)
##
## SetorImobiliario 6.5430**
5.9860**
## (2.7770)
(2.6290)
##
## SetorIndustrial 0.5131
0.6282
## (0.6124)
(0.8391)
##
## SetorMateriais Basicos 0.2593
0.3642
## (0.6876)
(0.6550)
##
## SetorSaude 0.3116
0.4267
## (0.3764)
(0.4473)
##
## SetorTecnologia -0.5106
-0.6528
## (0.8360)
(1.0390)
##
## SetorTelecomunicacoes 0.4190
0.3489
 278

## (0.8442)
(0.9867)
##
## SetorUtilidades 3.3280**
3.6420**
## (1.3420)
(1.5770)
##
## PIB -29.4200 -26.2400
-28.1600
## (32.8400) (40.4800)
(32.2500)
##
## IPCA 0.8793 0.9052
0.8663
## (1.3080) (1.2820)
(1.3040)
##
## LFT -65.3300 -38.3800
-63.1200
## (77.5700) (55.7500)
(73.2700)
##
## NGCBovespaMais1e2 -1.4790
-1.2690
## (1.2520)
(1.2980)
##
## NGCNivel1e2 -3.6230**
-3.6830**
## (1.4690)
(1.6200)
##
## NGCNovoMeracdo -2.9240*
-2.9600*
## (1.5940)
(1.7110)
##
## Covid -1.7810 -2.0150
-1.9080
## (1.8540) (2.2000)
(1.8860)
##
 279

## Inov -0.3377 0.6173

-0.3325
## (0.7246) (0.4706)
(0.5944)
##
## Constant 0.3886
-1.0140
## (4.8200)
(4.5270)
##
## -------------------------------------------------------------------
------------------
## Observations 4,944 4,944
4,944
## R2 0.0198 0.0094
0.0127
## Adjusted R2 0.0155 -0.0485
0.0083
## F Statistic 4.5290*** (df = 22; 4921) 4.4450*** (df = 10
; 4670) 63.5500***
## ===================================================================
==================
## Note: *p<0.1; *
*p<0.05; ***p<0.01

#BTM

painel$vard<-painel$BtM

regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT +

NGC + Covid+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT

+ NGC + Covid+ Inov,data=painel, model="within")#modelo efeito fixo pa
ra empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT

+ NGC + Covid+ Inov,data=painel, model="random")#modelo efeito aleat?r
io para empresa

summary(regp)
summary(regfe)
 280

summary(regre)

#####################################################Testes para os mo
delos###
#Teste F para H0: Modelo Pooled vs H1: Efeitos Fixos
b1<-pFtest(regfe, regp) #rejeito H0
b1
#Teste LM para H0: Modelo Pooled vs H1: Efeitos Aleat?rios
b2<-plmtest(regp) #rejeito H0
b2
#Teste de Hausman para H0: Efeitos Aleat?rios vs H1: Efeitos Fixos
b3<-phtest(regre,regfe) # rejeito H0
b3
#seleciono modelo de efeitos fixos

#####################################################Testes para adequ

acao dos modelos###

#Teste modificado de Durbin-Watson para correlacao serial

c1<-pdwtest(regfe)
c1
#Teste de Breusch-Godfrey / Wooldridge para Homocedasticidade
c2<-bptest(regfe)
c2
#Teste de Pesran para depend?ncia transversal
c3<-pcdtest(regfe, test="cd")
## Warning in pcdres(tres = tres, n = n, w = w, form = paste(deparse(x
$formula)), :
## Some pairs of individuals (5.8 percent) do not have any or just one
time period
## in common and have been omitted from calculation
c3
#Teste de Kolmogorov-Smirnov para normalidade
c4<-ks.test(regfe$residuals,"pnorm")
c4
 281

######################################################Tabela Resumo###
options(digits = 4)

rBtM<-regfe

b<-data.frame(Model2= c("Pooled vs FE", "Pooled vs RE","FE vs RE", "")

,
Test2= c(0,0,0,""),
Pvalue2= c(0,0,0, ""))

c<-data.frame(Model3= c("Durbin-Watson", " Breusch-Godfrey","Persan",

"Kolmogorov-Smirnof"),
Test3= c(0,0,0,0),
Pvalue3= c(0,0,0, 0))

tabela<-cbind(b,c)

tabela[1,2]<-round(as.numeric(b1$statistic),4)
tabela[1,3]<-as.numeric(b1$p.value)
tabela[2,2]<-round(as.numeric(b2$statistic),4)
tabela[2,3]<-as.numeric(b2$p.value)
tabela[3,2]<-round(as.numeric(b3$statistic),4)
tabela[3,3]<-as.numeric(b3$p.value)

tabela[1,5]<-round(as.numeric(c1$statistic),4)
 282

tabela[1,6]<-as.numeric(c1$p.value)
tabela[2,5]<-round(as.numeric(c2$statistic),4)
tabela[2,6]<-as.numeric(c2$p.value)
tabela[3,5]<-round(as.numeric(c3$statistic),4)
tabela[3,6]<-as.numeric(c3$p.value)
tabela[4,5]<-round(as.numeric(c4$statistic),4)
tabela[4,6]<-as.numeric(c4$p.value)

tabela

for ( i in 1:3){

if(tabela$Pvalue2[i]=="NaN"){
tabela$Test2[i]<-"NaN"
}
tabela$Pvalue2[i]<-round(as.numeric(tabela$Pvalue2[i]),3)
if(tabela$Pvalue2[i]<0.01){
tabela$Test2[i]<-paste(tabela$Test2[i],"***",sep="")
}else{
if(tabela$Pvalue2[i]<0.05){
tabela$Test2[i]<-paste(tabela$Test2[i],"**",sep="")
} else{
if(tabela$Pvalue2[i]<0.1){
tabela$Test2[i]<-paste(tabela$Test2[i],"*",sep="")
}else{
tabela$Test2[i]<-paste(tabela$Test2[i],"",sep="")
}

}
 283

for ( i in 1:4){

if(tabela$Pvalue3[i]=="NaN"){
tabela$Test3[i]<-"NaN"
}
tabela$Pvalue3[i]<-round(as.numeric(tabela$Pvalue3[i]),3)
if(tabela$Pvalue3[i]<0.01){
tabela$Test3[i]<-paste(tabela$Test3[i],"***",sep="")
}else{
if(tabela$Pvalue3[i]<0.05){
tabela$Test3[i]<-paste(tabela$Test3[i],"**",sep="")
} else{
if(tabela$Pvalue3[i]<0.1){
tabela$Test3[i]<-paste(tabela$Test3[i],"*",sep="")
}else{
tabela$Test3[i]<-paste(tabela$Test3[i],"",sep="")
}

}
tabela[,c(1,2,4,5)]%>%
gt()%>%

tab_spanner(label=md("**Painel Models Tests**"),

columns= vars(Model2, Test2))%>%
tab_spanner(label=md("**Estatistic Tests of Best Model**"),
columns= vars(Model3, Test3))%>%
cols_label(
 284

Model2 =md("**Test**"),
Test2=md("**Estatistic**"),
Model3 =md("**Test**"),
Test3=md("**Estatistic**"))
## Warning: Since gt v0.3.0, `columns = vars(...)` has been deprecated
.
## • Please use `columns = c(...)` instead.
## Since gt v0.3.0, `columns = vars(...)` has been deprecated.
## • Please use `columns = c(...)` instead.

Painel Models Tests Estatistic Tests of Best Model

Test Estatistic Test Estatistic

Pooled vs FE 26.5294*** Durbin-Watson 1.0028***

Pooled vs RE 106.5607*** Breusch-Godfrey 128.6826***

FE vs RE 223.8432*** Persan 89.3613***

Kolmogorov-Smirnof 0.2296***

#####################################################Tabela Stargazer#
##

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

stargazer(regp, regfe, regre,

digits = 4,
se = estatrobustos,
type="text",
title = "BtM",
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BtM
## ===================================================================
=====================
 285

## Dependent variable:
## --------------------------------------------
---------------------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
---------------------
## EfOp -0.0021 -0.0040**
* -0.0038***
## (0.0017) (0.0008)
(0.0008)
##
## LIQ 0.0356 -0.0781*
-0.0571*
## (0.0385) (0.0421)
(0.0328)
##
## End -1.2190*** -0.2580
-0.5012
## (0.2925) (0.4420)
(0.3791)
##
## Imob 0.4055* 0.0070
0.1524
## (0.2301) (0.3999)
(0.2761)
##
## Lnativo -0.0365 -0.7416**
* -0.3793***
## (0.0348) (0.2390)
(0.1209)
##
## SetorConsumo Padrao 0.0667
0.1913
## (0.2114)
(0.2428)
##
## SetorEnergia -0.2274
0.2865
## (0.2014)
(0.3134)
 286

##
## SetorImobiliario -0.4106***
-0.5598***
## (0.1522)
(0.1707)
##
## SetorIndustrial -0.0774
-0.0622
## (0.1834)
(0.2041)
##
## SetorMateriais Basicos -0.3886**
-0.1579
## (0.1522)
(0.2355)
##
## SetorSaude 0.7824***
0.8876***
## (0.2656)
(0.3183)
##
## SetorTecnologia 1.2750*
1.4150
## (0.7368)
(0.9196)
##
## SetorTelecomunicacoes -0.1751
0.2203
## (0.2208)
(0.3112)
##
## SetorUtilidades -0.0507
0.3925*
## (0.1728)
(0.2317)
##
## PIB 9.7730** 11.4800**
* 8.6060**
## (4.7780) (3.8070)
(3.9100)
##
## IPCA -0.1409*** -0.1159**
* -0.1404***
 287

## (0.0182) (0.0173)
(0.0158)
##
## LFT -39.3600*** -38.3400**
* -39.5800***
## (5.2490) (5.2420)
(5.3960)
##
## NGCBovespaMais1e2 -0.1579
-0.5298
## (0.1903)
(0.4402)
##
## NGCNivel1e2 -0.0461
0.5832*
## (0.1726)
(0.3056)
##
## NGCNovoMeracdo 0.1653
0.6205**
## (0.1456)
(0.2417)
##
## Covid 0.1046** 0.2284***
0.1147**
## (0.0415) (0.0780)
(0.0495)
##
## Inov 0.0662 -0.0657
-0.0161
## (0.1529) (0.0836)
(0.0781)
##
## Constant 2.2310***
9.3230***
## (0.7096)
(2.4990)
##
## -------------------------------------------------------------------
---------------------
## Observations 4,944 4,944
4,944
## R2 0.1748 0.1367
0.1269
 288

## Adjusted R2 0.1711 0.0863

0.1230
## F Statistic 47.3900*** (df = 22; 4921) 73.9700*** (df =
10; 4670) 648.3000***
## ===================================================================
=====================
## Note: *p<0.1
; **p<0.05; ***p<0.01

#PrLc

painel$vard<-painel$PrLc

regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT +

NGC + Covid+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT

+ NGC + Covid+ Inov,data=painel, model="within")#modelo efeito fixo pa
ra empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ Setor+ PIB+ IPCA+LFT

+ NGC + Covid+ Inov,data=painel, model="random")#modelo efeito aleat?r
io para empresa

summary(regp)
summary(regfe)
summary(regre)

#####################################################Testes para os mo
delos###
#Teste F para H0: Modelo Pooled vs H1: Efeitos Fixos
b1<-pFtest(regfe, regp) #rejeito H0
b1
#Teste LM para H0: Modelo Pooled vs H1: Efeitos Aleat?rios
b2<-plmtest(regp) #rejeito H0
b2
#Teste de Hausman para H0: Efeitos Aleat?rios vs H1: Efeitos Fixos
b3<-phtest(regre,regfe) # não rejeito H0
b3
#seleciono modelo de efeitos aleatórios
 289

#####################################################Testes para adequ

acao dos modelos###

#Teste modificado de Durbin-Watson para correlacao serial

c1<-pdwtest(regre)
c1
#Teste de Breusch-Godfrey / Wooldridge para Homocedasticidade
c2<-bptest(regre)
c2
#Teste de Pesran para depend?ncia transversal
c3<-pcdtest(regre, test="cd")
## Warning in pcdres(tres = tres, n = n, w = w, form = paste(deparse(x
$formula)), :
## Some pairs of individuals (5.8 percent) do not have any or just one
time period
## in common and have been omitted from calculation
c3
#Teste de Kolmogorov-Smirnov para normalidade
c4<-ks.test(regre$residuals,"pnorm")
c4

######################################################Tabela Resumo###
options(digits = 4)

rPrLc<-regre

b<-data.frame(Model2= c("Pooled vs FE", "Pooled vs RE","FE vs RE", "")

,
Test2= c(0,0,0,""),
Pvalue2= c(0,0,0, ""))
 290

c<-data.frame(Model3= c("Durbin-Watson", " Breusch-Godfrey","Persan",

"Kolmogorov-Smirnof"),
Test3= c(0,0,0,0),
Pvalue3= c(0,0,0, 0))

tabela<-cbind(b,c)

tabela[1,2]<-round(as.numeric(b1$statistic),4)
tabela[1,3]<-as.numeric(b1$p.value)
tabela[2,2]<-round(as.numeric(b2$statistic),4)
tabela[2,3]<-as.numeric(b2$p.value)
tabela[3,2]<-round(as.numeric(b3$statistic),4)
tabela[3,3]<-as.numeric(b3$p.value)

tabela[1,5]<-round(as.numeric(c1$statistic),4)
tabela[1,6]<-as.numeric(c1$p.value)
tabela[2,5]<-round(as.numeric(c2$statistic),4)
tabela[2,6]<-as.numeric(c2$p.value)
tabela[3,5]<-round(as.numeric(c3$statistic),4)
tabela[3,6]<-as.numeric(c3$p.value)
tabela[4,5]<-round(as.numeric(c4$statistic),4)
tabela[4,6]<-as.numeric(c4$p.value)

tabela
 291

for ( i in 1:3){

if(tabela$Pvalue2[i]=="NaN"){
tabela$Test2[i]<-"NaN"
}
tabela$Pvalue2[i]<-round(as.numeric(tabela$Pvalue2[i]),3)
if(tabela$Pvalue2[i]<0.01){
tabela$Test2[i]<-paste(tabela$Test2[i],"***",sep="")
}else{
if(tabela$Pvalue2[i]<0.05){
tabela$Test2[i]<-paste(tabela$Test2[i],"**",sep="")
} else{
if(tabela$Pvalue2[i]<0.1){
tabela$Test2[i]<-paste(tabela$Test2[i],"*",sep="")
}else{
tabela$Test2[i]<-paste(tabela$Test2[i],"",sep="")
}

for ( i in 1:4){

if(tabela$Pvalue3[i]=="NaN"){
tabela$Test3[i]<-"NaN"
}
tabela$Pvalue3[i]<-round(as.numeric(tabela$Pvalue3[i]),3)
if(tabela$Pvalue3[i]<0.01){
tabela$Test3[i]<-paste(tabela$Test3[i],"***",sep="")
}else{
if(tabela$Pvalue3[i]<0.05){
 292

tabela$Test3[i]<-paste(tabela$Test3[i],"**",sep="")
} else{
if(tabela$Pvalue3[i]<0.1){
tabela$Test3[i]<-paste(tabela$Test3[i],"*",sep="")
}else{
tabela$Test3[i]<-paste(tabela$Test3[i],"",sep="")
}

}
tabela[,c(1,2,4,5)]%>%
gt()%>%

tab_spanner(label=md("**Painel Models Tests**"),

columns= vars(Model2, Test2))%>%
tab_spanner(label=md("**Estatistic Tests of Best Model**"),
columns= vars(Model3, Test3))%>%
cols_label(

Model2 =md("**Test**"),
Test2=md("**Estatistic**"),
Model3 =md("**Test**"),
Test3=md("**Estatistic**"))
## Warning: Since gt v0.3.0, `columns = vars(...)` has been deprecated
.
## • Please use `columns = c(...)` instead.
## Since gt v0.3.0, `columns = vars(...)` has been deprecated.
## • Please use `columns = c(...)` instead.

Painel Models Tests Estatistic Tests of Best Model

Test Estatistic Test Estatistic

Pooled vs FE 3.3968*** Durbin-Watson 2.0213

 293

Painel Models Tests Estatistic Tests of Best Model

Test Estatistic Test Estatistic

Pooled vs RE 4.6124*** Breusch-Godfrey 22.6721

FE vs RE 4.4889 Persan 21.6542***

Kolmogorov-Smirnof 0.5393***

#####################################################Tabela Stargazer#
##

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

stargazer(regp, regfe, regre,

digits = 4,
se = estatrobustos,
type="text",
title = "PrLc",
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PrLc
## ===================================================================
=================
## Dependent variable:
## --------------------------------------------
-----------------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
-----------------
## EfOp -0.6797 0.0885
-0.2824
## (0.4550) (0.1922)
(0.2707)
 294

##
## LIQ 7.8530* 16.6200
10.3600*
## (4.2080) (11.1300)
(6.0300)
##
## End -25.3600 -146.7000
-39.0000
## (55.9900) (186.5000)
(97.1100)
##
## Imob 21.7700 -131.6000
-9.1880
## (32.4000) (135.1000)
(54.2000)
##
## Lnativo 3.6500 -4.3890
3.9300
## (5.5020) (27.9000)
(6.3170)
##
## SetorConsumo Padrao 27.0200
35.0200
## (27.8600)
(28.4200)
##
## SetorEnergia -2.4630
16.6400
## (25.9900)
(37.7000)
##
## SetorImobiliario 23.2500
5.0790
## (30.4000)
(26.7200)
##
## SetorIndustrial -6.8560
-2.1190
## (18.1600)
(19.3600)
##
## SetorMateriais Basicos -16.6700
-10.7200
 295

## (19.6800)
(26.6200)
##
## SetorSaude 31.6000
46.6900**
## (19.2900)
(22.1200)
##
## SetorTecnologia 50.4100
47.1200
## (31.4200)
(33.8000)
##
## SetorTelecomunicacoes 23.0500
44.0800
## (26.9400)
(29.8500)
##
## SetorUtilidades 11.1400
-4.2230
## (45.6600)
(87.7700)
##
## PIB -1,302.0000 -1,621.0000
-1,435.0000
## (2,116.0000) (2,152.0000)
(2,177.0000)
##
## IPCA -11.9800 -10.6900
-12.3800
## (9.5400) (8.7940)
(9.0250)
##
## LFT -1,859.0000 -875.8000
-1,587.0000
## (1,346.0000) (1,019.0000)
(1,194.0000)
##
## NGCBovespaMais1e2 -22.0900
-24.6900
## (27.9400)
(39.9300)
##
 296

## NGCNivel1e2 8.8490
18.1400
## (18.7000)
(24.8300)
##
## NGCNovoMeracdo 20.3400
19.9800
## (29.2700)
(50.4400)
##
## Covid 2.4870 11.6300
0.7251
## (17.8300) (22.1800)
(16.2700)
##
## Inov 4.2260 -105.9000
-25.3700
## (17.7300) (69.4800)
(27.9600)
##
## Constant -23.0600
-19.7100
## (116.2000)
(140.9000)
##
## -------------------------------------------------------------------
-----------------
## Observations 4,944 4,944
4,944
## R2 0.0048 0.0064
0.0032
## Adjusted R2 0.0004 -0.0517
-0.0012
## F Statistic 1.0830 (df = 22; 4921) 3.0160*** (df = 10; 4
670) 16.4600
## ===================================================================
=================
## Note: *p<0.1; **
p<0.05; ***p<0.01

#Resumo Geral

estatrobustos <-list(sqrt(diag(vcovHC(rCFROA, type = "HC1"))),

sqrt(diag(vcovHC(rCFROE, type = "HC1"))),
sqrt(diag(vcovHC(rCFROIC, type = "HC1"))),
 297

sqrt(diag(vcovHC(rBtM, type = "HC1"))),

sqrt(diag(vcovHC(rPrLc, type = "HC1"))))

stargazer(rCFROA, rCFROE, rCFROIC,rBtM,rPrLc,

digits = 4,
se = estatrobustos,
type="text",
title = "PrLc",
omit.stat=c("ser"),column.labels = c("CFROA", "CFROE", "CFR
OIC", "BtM", "PrLc"))
##
## PrLc
## ===================================================================
================
## Dependent variable:
## ---------------------------------------
----------------
## vard
## CFROA CFROE CFROIC BtM
PrLc
## (1) (2) (3) (4)
(5)
## -------------------------------------------------------------------
----------------
## EfOp 0.00001 -0.0006* -0.0379 -0.0040*
** -0.2824
## (0.00003) (0.0003) (0.0618) (0.0008
) (0.2707)
##
## LIQ 0.0001 -0.0036 2.1940 -0.0781
* 10.3600*
## (0.0015) (0.0055) (2.2560) (0.0421
) (6.0300)
##
## End -0.0232** -0.2027 5.0380 -0.258
0 -39.0000
## (0.0092) (0.2814) (3.7420) (0.4420
) (97.1100)
##
## Imob -0.0039 0.1676 -3.2560 0.0070
-9.1880
 298

## (0.0133) (0.1451) (5.4510) (0.3999

) (54.2000)
##
## Lnativo -0.0019 0.0600 -0.3934 -0.7416*
** 3.9300
## (0.0030) (0.0535) (1.1900) (0.2390
) (6.3170)
##
## SetorConsumo Padrao
35.0200
##
(28.4200)
##
## SetorEnergia
16.6400
##
(37.7000)
##
## SetorImobiliario
5.0790
##
(26.7200)
##
## SetorIndustrial
-2.1190
##
(19.3600)
##
## SetorMateriais Basicos
-10.7200
##
(26.6200)
##
## SetorSaude
46.6900**
##
(22.1200)
##
## SetorTecnologia
47.1200
##
(33.8000)
##
 299

## SetorTelecomunicacoes
44.0800
##
(29.8500)
##
## SetorUtilidades
-4.2230
##
(87.7700)
##
## PIB -0.4748*** -3.1630 -26.2400 11.4800*
** -1,435.0000
## (0.1707) (1.9450) (40.4800) (3.8070
) (2,177.0000)
##
## IPCA 0.0002 -0.0219 0.9052 -0.1159*
** -12.3800
## (0.0012) (0.0144) (1.2820) (0.0173
) (9.0250)
##
## LFT -0.2798** -3.5410** -38.3800 -38.3400
*** -1,587.0000
## (0.1220) (1.6210) (55.7500) (5.2420
) (1,194.0000)
##
## NGCBovespaMais1e2
-24.6900
##
(39.9300)
##
## NGCNivel1e2
18.1400
##
(24.8300)
##
## NGCNovoMeracdo
19.9800
##
(50.4400)
##
## Covid 0.0013 0.0012 -2.0150 0.2284*
** 0.7251
## (0.0017) (0.0236) (2.2000) (0.0780
) (16.2700)
 300

##
## Inov -0.0005 0.0157 0.6173 -0.065
7 -25.3700
## (0.0026) (0.0322) (0.4706) (0.0836
) (27.9600)
##
## Constant
-19.7100
##
(140.9000)
##
## -------------------------------------------------------------------
----------------
## Observations 4,944 4,944 4,944 4,944
4,944
## R2 0.0064 0.0048 0.0094 0.1367
0.0032
## Adjusted R2 -0.0517 -0.0534 -0.0485 0.0863
-0.0012
## F Statistic (df = 10; 4670) 3.0120*** 2.2490** 4.4450*** 73.9700*
** 16.4600
## ===================================================================
================
## Note: *p<0.1; **p
<0.05; ***p<0.01

Regressão CFROA – Setor

###Pacotes Usados ###

library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
 301

library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.csv", header = T,sep = ";"
,dec = ".",quote = "\""))

base$Empresa<-as.factor(base$Empresa)#transformo os caracteres em fato

res (n?meros)
painel<-pdata.frame(base,
index=c("Empresa","Data"),
drop.index=TRUE,
 302

row.names =TRUE)

names(painel)

summary(painel)

painel$Setor<-as.factor(painel$Setor)
Painel<-painel

nivel<-levels(painel$Setor)
###################################Consumo Descriionario#########
i=1
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Descricionario"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp1<-regp
regef1<-(regfe)
 303

regrf1<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA Consumo Descricionario
## ===================================================================
======
## Dependent variable:
## ------------------------------------------------------
------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
------
## EfOp -0.0024** -0.0004 -0
.0009
## (0.0011) (0.0005) (0.
0006)
##
## LIQ -0.0004 0.0027 -0
.0002
## (0.0004) (0.0026) (0.
0004)
##
## End -0.0273** -0.0284 -0.
0218*
 304

## (0.0126) (0.0194) (0.

0128)
##
## Imob 0.0006 0.0417 0.
0128
## (0.0165) (0.0378) (0.
0146)
##
## Lnativo 0.0012 0.0001 0.
0018
## (0.0022) (0.0044) (0.
0027)
##
## PIB -0.3587 -0.1844 -0
.2277
## (0.4027) (0.3620) (0.
3789)
##
## IPCA -0.0016 -0.0007 -0
.0012
## (0.0029) (0.0028) (0.
0028)
##
## LFT -0.3073 -0.1194 -0
.2429
## (0.2495) (0.2718) (0.
2500)
##
## Covid -0.0054 -0.0058 -0.
0066*
## (0.0036) (0.0044) (0.
0035)
##
## Inov -0.0127** -0.0017 -0.
0082**
## (0.0064) (0.0046) (0.
0041)
##
## Constant 0.0013 -0
.0182
## (0.0481) (0.
0594)
##
 305

## -------------------------------------------------------------------
------
## Observations 1,155 1,155 1
,155
## R2 0.0356 0.0167 0.
0162
## Adjusted R2 0.0272 -0.0468 0.
0076
## F Statistic 4.2236*** (df = 10; 1144) 1.8416** (df = 10; 1084) 20.
0729**
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
###################################Consumo Padrao#########
i=2
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Padrao"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
 306

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA Consumo Padrao
## ===================================================================
======
## Dependent variable:
## ------------------------------------------------------
------
## vard
## Pooled FE
RE
## (1) (2) (
3)
## -------------------------------------------------------------------
------
## EfOp -0.0103** -0.0093** -0.0
100**
## (0.0050) (0.0043) (0.
0041)
##
## LIQ 0.0283*** 0.0351** 0.03
19***
## (0.0078) (0.0137) (0.
0093)
##
## End -0.0408*** -0.0875*** -0.0
488***
## (0.0135) (0.0326) (0.
0147)
 307

##
## Imob 0.0552*** 0.0521 0.05
67***
## (0.0135) (0.0365) (0.
0153)
##
## Lnativo 0.0019 0.0062 0.
0031
## (0.0018) (0.0088) (0.
0023)
##
## PIB -0.5691 -0.5197 -0.
5395
## (0.5026) (0.3392) (0.
4419)
##
## IPCA 0.0025 0.0022 0.
0025
## (0.0042) (0.0041) (0.
0041)
##
## LFT -0.7635*** -0.8806*** -0.7
879***
## (0.2930) (0.3363) (0.
2953)
##
## Covid -0.0042 -0.0031 -0.
0043
## (0.0044) (0.0061) (0.
0044)
##
## Inov 0.0050 -0.0014 0.
0028
## (0.0059) (0.0050) (0.
0056)
##
## Constant -0.0238 -0.
0503
## (0.0412) (0.
0547)
##
## -------------------------------------------------------------------
------
 308

## Observations 475 475 4

75
## R2 0.1259 0.0642 0.
0862
## Adjusted R2 0.1071 -0.0104 0.
0665
## F Statistic 6.6837*** (df = 10; 464) 3.0137*** (df = 10; 439) 45.9
463***
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
###################################Energia#########
i=3
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Energia"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp3<-regp
regef3<-(regfe)
regrf3<-(regre)
 309

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA Energia
## ===================================================================
==
## Dependent variable:
## ------------------------------------------------------
--
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
--
## EfOp -0.0022 0.0060 0.0039
## (0.0064) (0.0039) (0.0043
)
##
## LIQ 0.0028* -0.0004 0.0009
## (0.0017) (0.0020) (0.0015
)
##
## End -0.0630*** -0.0612** -0.0701*
**
## (0.0211) (0.0279) (0.0206
)
##
## Imob 0.0369* 0.0212 0.0385*
*
 310

## (0.0199) (0.0346) (0.0187

)
##
## Lnativo 0.0047* 0.0089 0.0055*
*
## (0.0028) (0.0078) (0.0026
)
##
## PIB -0.3363 -0.1962 -0.2178
## (0.5607) (0.5510) (0.5271
)
##
## IPCA -0.0003 -0.0003 -0.0001
## (0.0065) (0.0064) (0.0063
)
##
## LFT -0.7971** -0.7478*** -0.7953*
*
## (0.4030) (0.2782) (0.3417
)
##
## Covid 0.0038 0.0026 0.0041
## (0.0056) (0.0054) (0.0056
)
##
## Inov -0.0154 -0.0142
## (0.0151) (0.0139
)
##
## Constant -0.0724 -0.0924
## (0.0687) (0.0610
)
##
## -------------------------------------------------------------------
--
## Observations 199 199 199
## R2 0.1886 0.0412 0.0777
## Adjusted R2 0.1454 -0.0606 0.0287
## F Statistic 4.3686*** (df = 10; 188) 0.8538 (df = 9; 179) 14.7525
## ===================================================================
==
 311

## Note: *p<0.1; **p<0.05; ***p<0.

01
###################################Imobiliario#########
i=4
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Imobiliario"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

#regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Co

vid+ Inov,data=painel, model="random", random.method="walhus")#modelo
efeito aleat?rio para empresa
#Error in solve.default(crossprod(Z)) :
#Lapack routine dgesv: system is exactly singular: U[10,10] = 0

regp4<-regp
regef4<-(regfe)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe,
digits = 4,
 312

se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
##
## CFROA Imobiliario
## ==========================================================
## Dependent variable:
## ---------------------------------------------
## vard
## Pooled FE
## (1) (2)
## ----------------------------------------------------------
## EfOp -0.0005 -0.0006
## (0.0004) (0.0005)
##
## LIQ 0.0029 0.0047
## (0.0025) (0.0032)
##
## End -0.0067 -0.0342
## (0.0142) (0.0239)
##
## Imob -0.0993** 0.3152
## (0.0487) (0.3484)
##
## Lnativo 0.0031 -0.0108
## (0.0022) (0.0106)
##
## PIB -0.4516 -0.4121
## (0.3833) (0.3785)
##
## IPCA 0.0021 0.0023
## (0.0025) (0.0027)
##
## LFT 0.1344 0.3819
## (0.5463) (0.5766)
##
 313

## Covid -0.0068 -0.0055

## (0.0051) (0.0056)
##
## Constant -0.0574
## (0.0449)
##
## ----------------------------------------------------------
## Observations 510 510
## R2 0.0479 0.0315
## Adjusted R2 0.0308 -0.0400
## F Statistic 2.7956*** (df = 9; 500) 1.7155* (df = 9; 474)
## ==========================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Industrial#########
i=5
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Industrial"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp5<-regp
regef5<-(regfe)
 314

regrf5<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA Industrial
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
----
## EfOp 0.0070 0.0234 0.01
94
## (0.0228) (0.0278) (0.02
72)
##
## LIQ -0.0007 0.0038 0.00
07
## (0.0036) (0.0053) (0.00
41)
##
## End -0.0150 -0.0183 -0.01
11
 315

## (0.0184) (0.0213) (0.02

15)
##
## Imob -0.0052 -0.0394 -0.00
83
## (0.0165) (0.0430) (0.02
13)
##
## Lnativo 0.0002 -0.0249* -0.00
22
## (0.0035) (0.0138) (0.00
37)
##
## PIB -1.3020** -0.7779 -0.97
73*
## (0.6066) (0.5137) (0.54
63)
##
## IPCA 0.0014 0.0040 0.00
25
## (0.0036) (0.0040) (0.00
36)
##
## LFT -0.2826 0.3582 -0.06
85
## (0.2983) (0.3381) (0.26
61)
##
## Covid 0.0041 0.0146** 0.00
64
## (0.0043) (0.0063) (0.00
44)
##
## Inov 0.0017 0.0046 0.00
97
## (0.0104) (0.0048) (0.00
72)
##
## Constant 0.0158 0.04
54
## (0.0860) (0.08
54)
##
 316

## -------------------------------------------------------------------
----
## Observations 762 762 762
## R2 0.0218 0.0551 0.02
80
## Adjusted R2 0.0088 -0.0171 0.01
51
## F Statistic 1.6770* (df = 10; 751) 4.1232*** (df = 10; 707) 23.848
5***
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################Materiais Basicos#########
i=6
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Materiais Basicos"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp6<-regp
regef6<-(regfe)
regrf6<-(regre)
 317

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA Materiais Basicos
## ===================================================================
=======
## Dependent variable:
## ------------------------------------------------------
-------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
-------
## EfOp -0.0373*** -0.0129 -0.
0251***
## (0.0096) (0.0103) (0
.0096)
##
## LIQ 0.0100*** 0.0121*** 0.0
115***
## (0.0032) (0.0045) (0
.0032)
##
## End -0.0340*** -0.0592*** -0.
0366***
## (0.0101) (0.0204) (0
.0095)
 318

##
## Imob 0.0105 0.0007 0
.0062
## (0.0128) (0.0387) (0
.0151)
##
## Lnativo 0.0022*** 0.0073 0.0
026***
## (0.0007) (0.0110) (0
.0007)
##
## PIB -0.5811 -0.5931 -0
.5123
## (0.6620) (0.6458) (0
.6569)
##
## IPCA -0.0009 -0.0016 -0
.0011
## (0.0043) (0.0044) (0
.0043)
##
## LFT -0.8227* -0.8616* -0
.8255*
## (0.4981) (0.5047) (0
.5011)
##
## Covid 0.0067* 0.0046 0.
0066*
## (0.0038) (0.0043) (0
.0039)
##
## Inov 0.0040 0.0075** 0
.0050
## (0.0045) (0.0036) (0
.0036)
##
## Constant 0.0078 -0
.0091
## (0.0172) (0
.0160)
##
## -------------------------------------------------------------------
-------
 319

## Observations 550 550

550
## R2 0.1714 0.0779 0
.1198
## Adjusted R2 0.1561 0.0171 0
.1034
## F Statistic 11.1528*** (df = 10; 539) 4.3527*** (df = 10; 515) 73.
6435***
## ===================================================================
=======
## Note: *p<0.1; **p<0.05; **
*p<0.01
###################################Saude#########
i=7
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Saude"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp7<-regp
regef7<-(regfe)
regrf7<-(regre)
 320

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA Saude
## ===================================================================
=====
## Dependent variable:
## ------------------------------------------------------
-----
## vard
## Pooled FE R
E
## (1) (2) (3
)
## -------------------------------------------------------------------
-----
## EfOp -0.00003 -0.00001 0.00
003
## (0.0001) (0.00003) (0.00
003)
##
## LIQ -0.0062 0.0004 -0.0
031
## (0.0040) (0.0050) (0.0
039)
##
## End -0.0654** -0.0403** -0.06
71***
## (0.0289) (0.0198) (0.0
214)
##
 321

## Imob -0.0754 0.0679 -0.0

039
## (0.0484) (0.0422) (0.0
265)
##
## Lnativo 0.0022 -0.0133** 0.0
008
## (0.0031) (0.0057) (0.0
040)
##
## PIB 0.5259 0.6861 0.5
524
## (0.7186) (0.7599) (0.7
457)
##
## IPCA -0.0056*** -0.0025 -0.00
42***
## (0.0017) (0.0017) (0.0
014)
##
## LFT -0.7910** -0.3653 -0.70
37**
## (0.3597) (0.4090) (0.2
935)
##
## Covid 0.0033 0.0071* 0.0
036
## (0.0037) (0.0041) (0.0
036)
##
## Inov 0.0177** -0.0096*** 0.0
002
## (0.0073) (0.0033) (0.0
073)
##
## Constant 0.0101 0.0
247
## (0.0673) (0.0
902)
##
## -------------------------------------------------------------------
-----
## Observations 256 256 25
6
 322

## R2 0.3447 0.0691 0.0

593
## Adjusted R2 0.3179 -0.0276 0.0
209
## F Statistic 12.8873*** (df = 10; 245) 1.7140* (df = 10; 231) 16.4
651*
## ===================================================================
=====
## Note: *p<0.1; **p<0.05; ***p
<0.01
###################################Tecnologia#########
i=8
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Tecnologia"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp8<-regp
regef8<-(regfe)
regrf8<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
 323

sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA Tecnologia
## ===================================================================
=
## Dependent variable:
## ------------------------------------------------------
-
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
-
## EfOp -0.0261*** -0.0205*** -0.0260**
*
## (0.0047) (0.0053) (0.0047)
##
## LIQ -0.0002 0.00004 -0.0002
## (0.0009) (0.0008) (0.0009)
##
## End -0.1015** 0.0627 -0.0995**
## (0.0413) (0.0805) (0.0419)
##
## Imob 0.0821 -0.1894 0.0799
## (0.0534) (0.1579) (0.0534)
##
## Lnativo -0.0021 0.0175 -0.0021
## (0.0016) (0.0129) (0.0016)
##
 324

## PIB -1.9644** -2.6548** -1.9680**

## (0.9833) (1.3182) (0.9860)
##
## IPCA -0.0015 -0.0006 -0.0014
## (0.0070) (0.0085) (0.0070)
##
## LFT 0.2559 -1.0488*** 0.2458
## (0.5862) (0.3587) (0.5809)
##
## Covid -0.0234*** -0.0296*** -0.0233**
*
## (0.0076) (0.0073) (0.0075)
##
## Inov 0.0012 -0.0066 0.0009
## (0.0057) (0.0094) (0.0057)
##
## Constant 0.1205*** 0.1197***
## (0.0458) (0.0459)
##
## -------------------------------------------------------------------
-
## Observations 99 99 99
## R2 0.1906 0.1710 0.1877
## Adjusted R2 0.0986 0.0092 0.0954
## F Statistic 2.0720** (df = 10; 88) 1.6914* (df = 10; 82) 20.3683**
## ===================================================================
=
## Note: *p<0.1; **p<0.05; ***p<0.0
1
###################################Telecomunicacoes#########
i=9
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Telecomunicacoes"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
 325

## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P

IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp9<-regp
regef9<-(regfe)
regrf9<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA Telecomunicacoes
## =================================================================
## Dependent variable:
## ----------------------------------------------------
## vard
## Pooled FE RE
## (1) (2) (3)
 326

## -----------------------------------------------------------------
## EfOp -0.0529*** -0.0006 -0.0365**
## (0.0151) (0.0129) (0.0158)
##
## LIQ 0.0010* 0.0007* 0.0011**
## (0.0005) (0.0004) (0.0005)
##
## End -0.0430** 0.0335 -0.0316*
## (0.0168) (0.0267) (0.0177)
##
## Imob 0.0751*** -0.0309 0.0458*
## (0.0278) (0.0489) (0.0244)
##
## Lnativo 0.0006 0.0516* 0.0029*
## (0.0014) (0.0267) (0.0017)
##
## PIB 0.4144 0.2163 0.3330
## (0.5821) (0.6527) (0.6641)
##
## IPCA -0.0134* -0.0117 -0.0116
## (0.0076) (0.0082) (0.0075)
##
## LFT -0.3193 -2.2083*** -0.8274
## (0.5574) (0.8037) (0.5647)
##
## Covid 0.0040 -0.0099 0.0035
## (0.0094) (0.0074) (0.0088)
##
## Inov -0.0012 0.0029 -0.0078
## (0.0101) (0.0080) (0.0106)
##
## Constant 0.0523* -0.0010
## (0.0316) (0.0288)
##
## -----------------------------------------------------------------
## Observations 109 109 109
## R2 0.1489 0.0822 0.0698
 327

## Adjusted R2 0.0620 -0.1014 -0.0252

## F Statistic 1.7139* (df = 10; 98) 0.8057 (df = 10; 90) 7.2580
## =================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Utilidades#########
i=10
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Utilidades"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp10<-regp
regef10<-(regfe)
regrf10<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

 328

stargazer(regp, regfe, regre,

digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA Utilidades
## ===================================================================
======
## Dependent variable:
## ------------------------------------------------------
------
## vard
## Pooled FE
RE
## (1) (2) (
3)
## -------------------------------------------------------------------
------
## EfOp -0.0099*** -0.0029 -0.0
063**
## (0.0036) (0.0020) (0.
0028)
##
## LIQ -0.0023 -0.0034 -0.
0028
## (0.0020) (0.0021) (0.
0021)
##
## End 0.0102 -0.0221 -0.
0035
## (0.0090) (0.0148) (0.
0088)
##
## Imob -0.0026 -0.0087 -0.
0040
## (0.0076) (0.0136) (0.
0104)
##
## Lnativo -0.0027** -0.0028 -0.
0024
 329

## (0.0013) (0.0057) (0.

0016)
##
## PIB -1.0969*** -0.9969*** -1.0
477***
## (0.3368) (0.3432) (0.
3315)
##
## IPCA -0.0003 -0.0002 -0.
0003
## (0.0018) (0.0018) (0.
0018)
##
## LFT 0.1333 0.2351 0.
1857
## (0.2787) (0.3058) (0.
2794)
##
## Covid 0.0066*** 0.0069*** 0.00
65***
## (0.0024) (0.0026) (0.
0023)
##
## Inov 0.0032 -0.0021 0.
0007
## (0.0027) (0.0022) (0.
0020)
##
## Constant 0.0889*** 0.0
828**
## (0.0285) (0.
0360)
##
## -------------------------------------------------------------------
------
## Observations 829 829 8
29
## R2 0.0653 0.0656 0.
0561
## Adjusted R2 0.0539 0.0094 0.
0445
## F Statistic 5.7180*** (df = 10; 818) 5.4832*** (df = 10; 781) 49.8
728***
 330

## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))),
sqrt(diag(vcovHC(regp5, type = "HC1"))),
sqrt(diag(vcovHC(regp6, type = "HC1"))),
sqrt(diag(vcovHC(regp7, type = "HC1"))),
sqrt(diag(vcovHC(regp8, type = "HC1"))),
sqrt(diag(vcovHC(regp9, type = "HC1"))),
sqrt(diag(vcovHC(regp10, type = "HC1"))))

titulo<-paste("CFROA"," ", "Pooled")

stargazer(regp1,regp2, regp3,regp4,regp5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## CFROA Pooled
## ===================================================================
====================================================================
## Dep
endent variable:
## ------------------------------------------------------
--------------------------------------------------------------------
##
vard
## Consumo Descricionario Consumo Padrao
Energia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
 331

## -------------------------------------------------------------------
--------------------------------------------------------------------
## EfOp -0.0024** -0.0103**
-0.0022 -0.0005 0.0070
## (0.0011) (0.0050)
(0.0064) (0.0004) (0.0228)
##
## LIQ -0.0004 0.0283***
0.0028* 0.0029 -0.0007
## (0.0004) (0.0078)
(0.0017) (0.0025) (0.0036)
##
## End -0.0273** -0.0408***
-0.0630*** -0.0067 -0.0150
## (0.0126) (0.0135)
(0.0211) (0.0142) (0.0184)
##
## Imob 0.0006 0.0552***
0.0369* -0.0993** -0.0052
## (0.0165) (0.0135)
(0.0199) (0.0487) (0.0165)
##
## Lnativo 0.0012 0.0019
0.0047* 0.0031 0.0002
## (0.0022) (0.0018)
(0.0028) (0.0022) (0.0035)
##
## PIB -0.3587 -0.5691
-0.3363 -0.4516 -1.3020**
## (0.4027) (0.5026)
(0.5607) (0.3833) (0.6066)
##
## IPCA -0.0016 0.0025
-0.0003 0.0021 0.0014
## (0.0029) (0.0042)
(0.0065) (0.0025) (0.0036)
##
## LFT -0.3073 -0.7635***
-0.7971** 0.1344 -0.2826
## (0.2495) (0.2930)
(0.4030) (0.5463) (0.2983)
##
## Covid -0.0054 -0.0042
0.0038 -0.0068 0.0041
 332

## (0.0036) (0.0044)
(0.0056) (0.0051) (0.0043)
##
## Inov -0.0127** 0.0050
-0.0154 0.0017
## (0.0064) (0.0059)
(0.0151) (0.0104)
##
## Constant 0.0013 -0.0238
-0.0724 -0.0574 0.0158
## (0.0481) (0.0412)
(0.0687) (0.0449) (0.0860)
##
## -------------------------------------------------------------------
--------------------------------------------------------------------
## Observations 1,155 475
199 510 762
## R2 0.0356 0.1259
0.1886 0.0479 0.0218
## Adjusted R2 0.0272 0.1071
0.1454 0.0308 0.0088
## F Statistic 4.2236*** (df = 10; 1144) 6.6837*** (df = 10; 464) 4.3
686*** (df = 10; 188) 2.7956*** (df = 9; 500) 1.6770* (df = 10; 751)
## ===================================================================
====================================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regp6,regp7,regp8,regp9, regp10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROA Pooled
## ===================================================================
===================================================================
## Dep
endent variable:
## ------------------------------------------------------
-------------------------------------------------------------------
##
vard
 333

## Materiais Basicos Saude

Tecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
-------------------------------------------------------------------
## EfOp -0.0373*** -0.00003
-0.0261*** -0.0529*** -0.0099
## (0.0011) (0.0050)
(0.0064) (0.0004) (0.0228)
##
## LIQ 0.0100*** -0.0062
-0.0002 0.0010 -0.0023
## (0.0004) (0.0078)
(0.0017) (0.0025) (0.0036)
##
## End -0.0340*** -0.0654***
-0.1015*** -0.0430*** 0.0102
## (0.0126) (0.0135)
(0.0211) (0.0142) (0.0184)
##
## Imob 0.0105 -0.0754***
0.0821*** 0.0751 -0.0026
## (0.0165) (0.0135)
(0.0199) (0.0487) (0.0165)
##
## Lnativo 0.0022 0.0022
-0.0021 0.0006 -0.0027
## (0.0022) (0.0018)
(0.0028) (0.0022) (0.0035)
##
## PIB -0.5811 0.5259
-1.9644*** 0.4144 -1.0969*
## (0.4027) (0.5026)
(0.5607) (0.3833) (0.6066)
##
## IPCA -0.0009 -0.0056
-0.0015 -0.0134*** -0.0003
## (0.0029) (0.0042)
(0.0065) (0.0025) (0.0036)
##
## LFT -0.8227*** -0.7910***
0.2559 -0.3193 0.1333
 334

## (0.2495) (0.2930)
(0.4030) (0.5463) (0.2983)
##
## Covid 0.0067* 0.0033
-0.0234*** 0.0040 0.0066
## (0.0036) (0.0044)
(0.0056) (0.0051) (0.0043)
##
## Inov 0.0040 0.0177***
0.0012 -0.0012 0.0032
## (0.0064) (0.0059)
(0.0151) (0.0104)
##
## Constant 0.0078 0.0101
0.1205* 0.0523 0.0889
## (0.0481) (0.0412)
(0.0687) (0.0449) (0.0860)
##
## -------------------------------------------------------------------
-------------------------------------------------------------------
## Observations 550 256
99 109 829
## R2 0.1714 0.3447
0.1906 0.1489 0.0653
## Adjusted R2 0.1561 0.3179
0.0986 0.0620 0.0539
## F Statistic 11.1528*** (df = 10; 539) 12.8873*** (df = 10; 245) 2.
0720** (df = 10; 88) 1.7139* (df = 10; 98) 5.7180*** (df = 10; 818)
## ===================================================================
===================================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))),
sqrt(diag(vcovHC(regef5, type = "HC1"))),
sqrt(diag(vcovHC(regef6, type = "HC1"))),
sqrt(diag(vcovHC(regef7, type = "HC1"))),
sqrt(diag(vcovHC(regef8, type = "HC1"))),
sqrt(diag(vcovHC(regef9, type = "HC1"))),
 335

sqrt(diag(vcovHC(regef10, type = "HC1"))))

titulo<-paste("CFROA"," ", "Efeitos Fixos")

stargazer(regef1,regef2, regef3,regef4,regef5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## CFROA Efeitos Fixos
## ===================================================================
===============================================================
## Depen
dent variable:
## ------------------------------------------------------
---------------------------------------------------------------
##
vard
## Consumo Descricionario Consumo Padrao
Energia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
---------------------------------------------------------------
## EfOp -0.0004 -0.0093**
0.0060 -0.0006 0.0234
## (0.0005) (0.0043)
(0.0039) (0.0005) (0.0278)
##
## LIQ 0.0027 0.0351**
-0.0004 0.0047 0.0038
## (0.0026) (0.0137)
(0.0020) (0.0032) (0.0053)
##
## End -0.0284 -0.0875***
-0.0612** -0.0342 -0.0183
## (0.0194) (0.0326)
(0.0279) (0.0239) (0.0213)
##
 336

## Imob 0.0417 0.0521

0.0212 0.3152 -0.0394
## (0.0378) (0.0365)
(0.0346) (0.3484) (0.0430)
##
## Lnativo 0.0001 0.0062
0.0089 -0.0108 -0.0249*
## (0.0044) (0.0088)
(0.0078) (0.0106) (0.0138)
##
## PIB -0.1844 -0.5197
-0.1962 -0.4121 -0.7779
## (0.3620) (0.3392)
(0.5510) (0.3785) (0.5137)
##
## IPCA -0.0007 0.0022
-0.0003 0.0023 0.0040
## (0.0028) (0.0041)
(0.0064) (0.0027) (0.0040)
##
## LFT -0.1194 -0.8806***
-0.7478*** 0.3819 0.3582
## (0.2718) (0.3363)
(0.2782) (0.5766) (0.3381)
##
## Covid -0.0058 -0.0031
0.0026 -0.0055 0.0146**
## (0.0044) (0.0061)
(0.0054) (0.0056) (0.0063)
##
## Inov -0.0017 -0.0014
0.0046
## (0.0046) (0.0050)
(0.0048)
##
## -------------------------------------------------------------------
---------------------------------------------------------------
## Observations 1,155 475
199 510 762
## R2 0.0167 0.0642
0.0412 0.0315 0.0551
## Adjusted R2 -0.0468 -0.0104
-0.0606 -0.0400 -0.0171
 337

## F Statistic 1.8416** (df = 10; 1084) 3.0137*** (df = 10; 439) 0.85
38 (df = 9; 179) 1.7155* (df = 9; 474) 4.1232*** (df = 10; 707)
## ===================================================================
===============================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regef6,regef7,regef8,regef9, regef10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROA Efeitos Fixos
## ===================================================================
=============================================================
## Depend
ent variable:
## ------------------------------------------------------
-------------------------------------------------------------
##
vard
## Materiais Basicos Saude T
ecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
-------------------------------------------------------------
## EfOp -0.0129*** -0.00001 -
0.0205*** -0.0006 -0.0029
## (0.0005) (0.0043)
(0.0039) (0.0005) (0.0278)
##
## LIQ 0.0121*** 0.0004
0.00004 0.0007 -0.0034
## (0.0026) (0.0137)
(0.0020) (0.0032) (0.0053)
##
## End -0.0592*** -0.0403
0.0627** 0.0335 -0.0221
## (0.0194) (0.0326)
(0.0279) (0.0239) (0.0213)
##
 338

## Imob 0.0007 0.0679* -

0.1894*** -0.0309 -0.0087
## (0.0378) (0.0365)
(0.0346) (0.3484) (0.0430)
##
## Lnativo 0.0073* -0.0133
0.0175** 0.0516*** -0.0028
## (0.0044) (0.0088)
(0.0078) (0.0106) (0.0138)
##
## PIB -0.5931 0.6861** -
2.6548*** 0.2163 -0.9969*
## (0.3620) (0.3392)
(0.5510) (0.3785) (0.5137)
##
## IPCA -0.0016 -0.0025
-0.0006 -0.0117*** -0.0002
## (0.0028) (0.0041)
(0.0064) (0.0027) (0.0040)
##
## LFT -0.8616*** -0.3653 -
1.0488*** -2.2083*** 0.2351
## (0.2718) (0.3363)
(0.2782) (0.5766) (0.3381)
##
## Covid 0.0046 0.0071 -
0.0296*** -0.0099* 0.0069
## (0.0044) (0.0061)
(0.0054) (0.0056) (0.0063)
##
## Inov 0.0075 -0.0096*
-0.0066 0.0029 -0.0021
## (0.0046) (0.0050)
(0.0048)
##
## -------------------------------------------------------------------
-------------------------------------------------------------
## Observations 550 256
99 109 829
## R2 0.0779 0.0691
0.1710 0.0822 0.0656
## Adjusted R2 0.0171 -0.0276
0.0092 -0.1014 0.0094
 339

## F Statistic 4.3527*** (df = 10; 515) 1.7140* (df = 10; 231) 1.6914
* (df = 10; 82) 0.8057 (df = 10; 90) 5.4832*** (df = 10; 781)
## ===================================================================
=============================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios

estatrobustos <-list(sqrt(diag(vcovHC(regrf1, type = "HC1"))),

sqrt(diag(vcovHC(regrf2, type = "HC1"))),
sqrt(diag(vcovHC(regrf3, type = "HC1"))),
sqrt(diag(vcovHC(regrf5, type = "HC1"))),
sqrt(diag(vcovHC(regrf6, type = "HC1"))),
sqrt(diag(vcovHC(regrf7, type = "HC1"))),
sqrt(diag(vcovHC(regrf8, type = "HC1"))),
sqrt(diag(vcovHC(regrf9, type = "HC1"))),
sqrt(diag(vcovHC(regrf10, type = "HC1"))))

titulo<-paste("CFROA"," ", "Efeitos Aleatorios")

stargazer(regrf1,regrf2, regrf3,regrf5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,2,3,5)])
##
## CFROA Efeitos Aleatorios
## ===================================================================
=====
## Dependent variable:
## ------------------------------------------------------
-----
## vard
## Consumo Descricionario Consumo Padrao Energia Indus
trial
## (1) (2) (3) (4
)
## -------------------------------------------------------------------
-----
 340

## EfOp -0.0009 -0.0100** 0.0039 0.0

194
## (0.0006) (0.0041) (0.0043) (0.0
272)
##
## LIQ -0.0002 0.0319*** 0.0009 0.0
007
## (0.0004) (0.0093) (0.0015) (0.0
041)
##
## End -0.0218* -0.0488*** -0.0701*** -0.0
111
## (0.0128) (0.0147) (0.0206) (0.0
215)
##
## Imob 0.0128 0.0567*** 0.0385** -0.0
083
## (0.0146) (0.0153) (0.0187) (0.0
213)
##
## Lnativo 0.0018 0.0031 0.0055** -0.0
022
## (0.0027) (0.0023) (0.0026) (0.0
037)
##
## PIB -0.2277 -0.5395 -0.2178 -0.9
773*
## (0.3789) (0.4419) (0.5271) (0.5
463)
##
## IPCA -0.0012 0.0025 -0.0001 0.0
025
## (0.0028) (0.0041) (0.0063) (0.0
036)
##
## LFT -0.2429 -0.7879*** -0.7953** -0.0
685
## (0.2500) (0.2953) (0.3417) (0.2
661)
##
## Covid -0.0066* -0.0043 0.0041 0.0
064
## (0.0035) (0.0044) (0.0056) (0.0
044)
 341

##
## Inov -0.0082** 0.0028 -0.0142 0.0
097
## (0.0041) (0.0056) (0.0139) (0.0
072)
##
## Constant -0.0182 -0.0503 -0.0924 0.0
454
## (0.0594) (0.0547) (0.0610) (0.0
854)
##
## -------------------------------------------------------------------
-----
## Observations 1,155 475 199 76
2
## R2 0.0162 0.0862 0.0777 0.0
280
## Adjusted R2 0.0076 0.0665 0.0287 0.0
151
## F Statistic 20.0729** 45.9463*** 14.7525 23.84
85***
## ===================================================================
=====
## Note: *p<0.1; **p<0.05; ***p
<0.01
stargazer(regrf6,regrf7,regrf8,regrf9, regrf10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROA Efeitos Aleatorios
## ===================================================================
=============
## Dependent variable:
## ------------------------------------------------------
-------------
## vard
## Materiais Basicos Saude Tecnologia Telecomunicaco
es Utilidades
## (1) (2) (3) (4)
(5)
 342

## -------------------------------------------------------------------
-------------
## EfOp -0.0251*** 0.00003 -0.0260*** -0.0365
-0.0063
## (0.0006) (0.0041) (0.0043) (0.0272)
(0.0096)
##
## LIQ 0.0115*** -0.0031 -0.0002 0.0011
-0.0028
## (0.0004) (0.0093) (0.0015) (0.0041)
(0.0032)
##
## End -0.0366*** -0.0671*** -0.0995*** -0.0316
-0.0035
## (0.0128) (0.0147) (0.0206) (0.0215)
(0.0095)
##
## Imob 0.0062 -0.0039 0.0799*** 0.0458**
-0.0040
## (0.0146) (0.0153) (0.0187) (0.0213)
(0.0151)
##
## Lnativo 0.0026 0.0008 -0.0021 0.0029
-0.0024***
## (0.0027) (0.0023) (0.0026) (0.0037)
(0.0007)
##
## PIB -0.5123 0.5524 -1.9680*** 0.3330
-1.0477
## (0.3789) (0.4419) (0.5271) (0.5463)
(0.6569)
##
## IPCA -0.0011 -0.0042 -0.0014 -0.0116***
-0.0003
## (0.0028) (0.0041) (0.0063) (0.0036)
(0.0043)
##
## LFT -0.8255*** -0.7037** 0.2458 -0.8274***
0.1857
## (0.2500) (0.2953) (0.3417) (0.2661)
(0.5011)
##
## Covid 0.0066* 0.0036 -0.0233*** 0.0035
0.0065*
 343

## (0.0035) (0.0044) (0.0056) (0.0044)

(0.0039)
##
## Inov 0.0050 0.0002 0.0009 -0.0078
0.0007
## (0.0041) (0.0056) (0.0139) (0.0072)
(0.0036)
##
## Constant -0.0091 0.0247 0.1197** -0.0010
0.0828***
## (0.0594) (0.0547) (0.0610) (0.0854)
(0.0160)
##
## -------------------------------------------------------------------
-------------
## Observations 550 256 99 109
829
## R2 0.1198 0.0593 0.1877 0.0698
0.0561
## Adjusted R2 0.1034 0.0209 0.0954 -0.0252
0.0445
## F Statistic 73.6435*** 16.4651* 20.3683** 7.2580
49.8728***
## ===================================================================
=============
## Note: *p<0.1; **p<0.
05; ***p<0.01

Regressão CFROE - Setor

###Pacotes Usados ###

library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
 344

## intersect, setdiff, setequal, union

library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.csv", header = T,sep = ";"
,dec = ".",quote = "\""))

base$Empresa<-as.factor(base$Empresa)#transformo os caracteres em fato

res (n?meros)
painel<-pdata.frame(base,
index=c("Empresa","Data"),
 345

drop.index=TRUE,
row.names =TRUE)

names(painel)

summary(painel)

painel$Setor<-as.factor(painel$Setor)
Painel<-painel

nivel<-levels(painel$Setor)
###################################Consumo Descriionario#########
i=1
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Descricionario"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp1<-regp
 346

regef1<-(regfe)
regrf1<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE Consumo Descricionario
## ===================================================================
===
## Dependent variable:
## ------------------------------------------------------
---
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
---
## EfOp -0.0156 -0.0095 -0.01
32
## (0.0101) (0.0099) (0.010
1)
##
## LIQ 0.0006 0.0248 0.001
3
## (0.0029) (0.0204) (0.003
3)
##
## End 0.1879 0.0995 0.200
8
 347

## (0.1774) (0.3223) (0.189

5)
##
## Imob -0.0372 0.3105 -0.01
00
## (0.1213) (0.3406) (0.128
2)
##
## Lnativo -0.0141 0.0326 -0.01
20
## (0.0175) (0.0570) (0.020
7)
##
## PIB -0.2738 0.1792 0.166
9
## (2.2041) (2.1959) (2.306
3)
##
## IPCA -0.0791** -0.0762* -0.077
2**
## (0.0397) (0.0406) (0.039
1)
##
## LFT 2.9238 4.2118 3.219
3
## (3.1386) (3.2614) (3.209
4)
##
## Covid -0.0055 -0.0240 -0.00
96
## (0.0189) (0.0442) (0.022
0)
##
## Inov -0.0387 -0.0010 -0.03
47
## (0.0344) (0.0238) (0.033
6)
##
## Constant 0.3298 0.267
4
## (0.3775) (0.451
1)
##
 348

## -------------------------------------------------------------------
---
## Observations 1,155 1,155 1,15
5
## R2 0.0160 0.0136 0.014
5
## Adjusted R2 0.0074 -0.0500 0.005
9
## F Statistic 1.8630** (df = 10; 1144) 1.4995 (df = 10; 1084) 16.724
4*
## ===================================================================
===
## Note: *p<0.1; **p<0.05; ***p<0
.01
###################################Consumo Padrao#########
i=2
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Padrao"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
 349

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE Consumo Padrao
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
----
## EfOp -0.0542 -0.0262 -0.04
37
## (0.0705) (0.0440) (0.05
91)
##
## LIQ 0.1679*** 0.0437 0.1231
***
## (0.0563) (0.0450) (0.03
44)
##
## End 0.4573* -0.2759 0.37
92
## (0.2606) (0.6335) (0.26
63)
##
 350

## Imob -0.0661 -0.0577 -0.09

00
## (0.2246) (0.3500) (0.22
00)
##
## Lnativo 0.0330 0.1187** 0.03
72
## (0.0266) (0.0578) (0.02
50)
##
## PIB -16.3150 -17.1942 -16.0
598
## (13.7265) (13.2705) (13.65
91)
##
## IPCA -0.0631 -0.0682 -0.06
19
## (0.0629) (0.0652) (0.06
44)
##
## LFT -6.7905 -10.4805* -8.00
88
## (5.5257) (5.6181) (5.58
94)
##
## Covid 0.1142 0.1381 0.12
54
## (0.1129) (0.1210) (0.12
14)
##
## Inov -0.1383 -0.0785 -0.11
31
## (0.0900) (0.0683) (0.07
57)
##
## Constant -0.6410 -0.69
67
## (0.5470) (0.51
43)
##
## -------------------------------------------------------------------
----
## Observations 475 475 475
 351

## R2 0.0871 0.0371 0.05

31
## Adjusted R2 0.0674 -0.0397 0.03
27
## F Statistic 4.4271*** (df = 10; 464) 1.6918* (df = 10; 439) 26.319
6***
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################Energia#########
i=3
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Energia"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp3<-regp
regef3<-(regfe)
regrf3<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

 352

sqrt(diag(vcovHC(regfe, type = "HC1"))),

sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE Energia
## ===================================================================
=
## Dependent variable:
## ------------------------------------------------------
-
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
-
## EfOp 0.0099 0.0450*** 0.0311**
## (0.0245) (0.0148) (0.0156)
##
## LIQ 0.0059 0.0002 0.0015
## (0.0052) (0.0042) (0.0038)
##
## End -0.1164* -0.1599* -0.1474*
*
## (0.0656) (0.0953) (0.0713)
##
## Imob 0.0501 0.1549** 0.0874
## (0.0775) (0.0774) (0.0683)
##
## Lnativo 0.0228** 0.0144 0.0237**
## (0.0115) (0.0200) (0.0108)
 353

##
## PIB 0.4130 0.4315 0.5004
## (2.1487) (2.0314) (2.0277)
##
## IPCA 0.0033 0.0049 0.0039
## (0.0245) (0.0250) (0.0238)
##
## LFT -2.6449 -2.7800* -2.7696
## (2.0073) (1.6060) (1.8921)
##
## Covid 0.0092 0.0099 0.0089
## (0.0157) (0.0154) (0.0158)
##
## Inov -0.0389 -0.0296
## (0.0592) (0.0581)
##
## Constant -0.4590* -0.4930*
*
## (0.2748) (0.2435)
##
## -------------------------------------------------------------------
-
## Observations 199 199 199
## R2 0.1276 0.0538 0.0755
## Adjusted R2 0.0812 -0.0466 0.0263
## F Statistic 2.7509*** (df = 10; 188) 1.1313 (df = 9; 179) 14.4388
## ===================================================================
=
## Note: *p<0.1; **p<0.05; ***p<0.0
1
###################################Imobiliario#########
i=4
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Imobiliario"
painel$vard<-painel$CFROE
names (painel)
 354

## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P

rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

#regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Co

vid+ Inov,data=painel, model="random", random.method="walhus")#modelo
efeito aleat?rio para empresa
#Error in solve.default(crossprod(Z)) :
#Lapack routine dgesv: system is exactly singular: U[10,10] = 0

regp4<-regp
regef4<-(regfe)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
##
## CFROE Imobiliario
## =============================================================
## Dependent variable:
## ------------------------------------------------
## vard
 355

## Pooled FE
## (1) (2)
## -------------------------------------------------------------
## EfOp 0.0011 0.0057
## (0.0038) (0.0053)
##
## LIQ -0.0264 -0.0770
## (0.0340) (0.0650)
##
## End -0.9317 -3.5655
## (0.8335) (2.9416)
##
## Imob -0.5420* -3.0320
## (0.2770) (7.3412)
##
## Lnativo 0.0724 0.6027
## (0.0531) (0.5151)
##
## PIB -2.4943 -8.9510
## (1.6775) (7.4270)
##
## IPCA 0.0005 -0.0098
## (0.0124) (0.0274)
##
## LFT 2.0233 -2.3066
## (4.8597) (5.7443)
##
## Covid -0.0263 -0.2701
## (0.0340) (0.2055)
##
## Constant -1.3084
## (0.9500)
##
## -------------------------------------------------------------
## Observations 510 510
## R2 0.0551 0.1707
## Adjusted R2 0.0381 0.1095
 356

## F Statistic 3.2425*** (df = 9; 500) 10.8398*** (df = 9; 474)

## =============================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Industrial#########
i=5
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Industrial"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp5<-regp
regef5<-(regfe)
regrf5<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
 357

digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE Industrial
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
## Pooled FE RE
## (1) (2) (3
)
## -------------------------------------------------------------------
----
## EfOp -0.0854 0.0053 -0.0
122
## (0.0596) (0.0634) (0.06
52)
##
## LIQ -0.0072 0.0305 -0.0
040
## (0.0269) (0.0315) (0.02
54)
##
## End -0.1714 -0.8222 -0.4
483
## (0.3551) (0.5973) (0.45
12)
##
## Imob -0.0277 0.4760 0.33
35
## (0.1989) (0.3898) (0.29
89)
##
## Lnativo 0.0373 -0.2749** 0.02
44
## (0.0530) (0.1302) (0.04
78)
 358

##
## PIB -3.4875 1.3380 -0.4
152
## (4.2626) (4.7257) (4.47
11)
##
## IPCA 0.0327 0.0648 0.04
32
## (0.0380) (0.0425) (0.03
94)
##
## LFT -9.5103* -4.1959 -8.2
244
## (5.7662) (4.6394) (5.56
73)
##
## Covid -0.0318 0.1134** -0.0
033
## (0.0406) (0.0488) (0.03
18)
##
## Inov -0.0750 -0.0309 -0.0
016
## (0.1290) (0.0442) (0.05
23)
##
## Constant -0.5536 -0.4
414
## (1.1125) (1.01
11)
##
## -------------------------------------------------------------------
----
## Observations 762 762 76
2
## R2 0.0256 0.0612 0.02
63
## Adjusted R2 0.0126 -0.0105 0.01
33
## F Statistic 1.9705** (df = 10; 751) 4.6079*** (df = 10; 707) 19.62
67**
## ===================================================================
====
 359

## Note: *p<0.1; **p<0.05; ***p<

0.01
###################################Materiais Basicos#########
i=6
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Materiais Basicos"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp6<-regp
regef6<-(regfe)
regrf6<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
 360

se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE Materiais Basicos
## ===================================================================
===
## Dependent variable:
## ------------------------------------------------------
---
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
---
## EfOp -0.0311 0.0556 -0.011
0
## (0.0605) (0.0755) (0.058
9)
##
## LIQ 0.0129 0.0015 0.014
1
## (0.0286) (0.0252) (0.026
4)
##
## End 0.2270* 0.2505 0.2239
*
## (0.1180) (0.3517) (0.126
2)
##
## Imob -0.0045 -0.0438 -0.000
4
## (0.1146) (0.3935) (0.103
2)
##
## Lnativo -0.0129 0.0700 -0.011
5
## (0.0128) (0.0934) (0.012
7)
##
 361

## PIB -1.5843 -2.4887 -1.699

1
## (8.4538) (8.0858) (8.231
6)
##
## IPCA -0.0204 -0.0239* -0.020
1
## (0.0174) (0.0143) (0.017
0)
##
## LFT -13.8444** -12.9580** -13.516
4**
## (5.9592) (5.7921) (5.863
5)
##
## Covid 0.0194 -0.0004 0.020
4
## (0.0520) (0.0351) (0.050
2)
##
## Inov 0.2033** 0.1766 0.2027
**
## (0.0890) (0.1209) (0.088
7)
##
## Constant 0.4295 0.375
3
## (0.3785) (0.376
9)
##
## -------------------------------------------------------------------
---
## Observations 550 550 550
## R2 0.0459 0.0252 0.038
3
## Adjusted R2 0.0282 -0.0391 0.020
4
## F Statistic 2.5917*** (df = 10; 539) 1.3320 (df = 10; 515) 21.7144
**
## ===================================================================
===
## Note: *p<0.1; **p<0.05; ***p<0
.01
###################################Saude#########
 362

i=7
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Saude"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp7<-regp
regef7<-(regfe)
regrf7<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
 363

omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))

##
## CFROE Saude
## ===================================================================
======
## Dependent variable:
## ------------------------------------------------------
------
## vard
## Pooled FE
RE
## (1) (2) (
3)
## -------------------------------------------------------------------
------
## EfOp -0.0005** -0.0004*** -0.0
004***
## (0.0003) (0.0001) (0.
0001)
##
## LIQ -0.0185* 0.0014 -0.
0076
## (0.0095) (0.0114) (0.
0081)
##
## End -0.0765 -0.0263 -0.
0868*
## (0.0659) (0.0442) (0.
0463)
##
## Imob -0.2228* 0.1449** -0.
0166
## (0.1252) (0.0732) (0.
0657)
##
## Lnativo 0.0044 -0.0221* 0.
0032
## (0.0060) (0.0120) (0.
0086)
##
## PIB 1.3562 1.7132 1.
4057
 364

## (1.4853) (1.5086) (1.

4810)
##
## IPCA -0.0106*** -0.0029 -0.
0067*
## (0.0040) (0.0051) (0.
0038)
##
## LFT -2.0069** -1.1990 -1.8
579**
## (0.8500) (0.9826) (0.
7615)
##
## Covid 0.0056 0.0128 0.
0070
## (0.0079) (0.0081) (0.
0073)
##
## Inov 0.0522*** -0.0251*** 0.
0037
## (0.0188) (0.0097) (0.
0169)
##
## Constant 0.0187 -0.
0039
## (0.1203) (0.
1951)
##
## -------------------------------------------------------------------
------
## Observations 256 256 2
56
## R2 0.4064 0.0859 0.
0738
## Adjusted R2 0.3821 -0.0090 0.
0360
## F Statistic 16.7719*** (df = 10; 245) 2.1721** (df = 10; 231) 20.3
960**
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
###################################Tecnologia#########
i=8
 365

filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Tecnologia"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp8<-regp
regef8<-(regfe)
regrf8<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
 366

##
## CFROE Tecnologia
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
----
## EfOp -0.8710*** -0.8064*** -0.871
0***
## (0.0628) (0.1092) (0.06
28)
##
## LIQ 0.0247 -0.0240** 0.02
47
## (0.0245) (0.0098) (0.02
45)
##
## End -0.1923 1.0326 -0.19
23
## (0.6877) (0.9241) (0.68
77)
##
## Imob 4.0484* 2.2821** 4.048
4*
## (2.1404) (1.1501) (2.14
04)
##
## Lnativo -0.0472 0.7657*** -0.04
72
## (0.0677) (0.2824) (0.06
77)
##
## PIB -1.6162 -21.9495** -1.61
62
## (7.1004) (8.5773) (7.10
04)
##
 367

## IPCA -0.0246 -0.1059 -0.02

46
## (0.0630) (0.0709) (0.06
30)
##
## LFT 12.8899 -27.1804 12.88
99
## (10.1275) (24.0124) (10.12
75)
##
## Covid -0.1744 -0.7001** -0.17
44
## (0.2019) (0.2987) (0.20
19)
##
## Inov -0.1144 0.1608* -0.11
44
## (0.1791) (0.0849) (0.17
91)
##
## Constant 1.7373 1.73
73
## (1.5007) (1.50
07)
##
## -------------------------------------------------------------------
----
## Observations 99 99 99
## R2 0.2383 0.3049 0.23
83
## Adjusted R2 0.1518 0.1692 0.15
18
## F Statistic 2.7538*** (df = 10; 88) 3.5962*** (df = 10; 82) 27.537
5***
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################Telecomunicacoes#########
i=9
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
 368

## [1] "Telecomunicacoes"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp9<-regp
regef9<-(regfe)
regrf9<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE Telecomunicacoes
## =================================================================
 369

## Dependent variable:
## ----------------------------------------------------
## vard
## Pooled FE RE
## (1) (2) (3)
## -----------------------------------------------------------------
## EfOp -0.2050*** 0.1464 -0.2050***
## (0.0290) (0.1107) (0.0290)
##
## LIQ 0.0039* 0.0002 0.0039*
## (0.0021) (0.0049) (0.0021)
##
## End -0.0224 0.5222* -0.0224
## (0.0744) (0.2877) (0.0744)
##
## Imob 0.2516** -0.0229 0.2516**
## (0.1043) (0.3939) (0.1043)
##
## Lnativo 0.0136 0.6169 0.0136
## (0.0197) (0.4657) (0.0197)
##
## PIB -4.6581 -2.1027 -4.6581
## (7.0946) (5.5054) (7.0946)
##
## IPCA 0.0544 0.0467 0.0544
## (0.0882) (0.0777) (0.0882)
##
## LFT -15.2953 -27.7646 -15.2953
## (13.7432) (20.2851) (13.7432)
##
## Covid -0.0785 -0.2210 -0.0785
## (0.0624) (0.1437) (0.0624)
##
## Inov -0.1495 -0.1089 -0.1495
## (0.1405) (0.0750) (0.1405)
##
## Constant 0.0959 0.0959
 370

## (0.2508) (0.2508)
##
## -----------------------------------------------------------------
## Observations 109 109 109
## R2 0.0680 0.1455 0.0680
## Adjusted R2 -0.0271 -0.0254 -0.0271
## F Statistic 0.7151 (df = 10; 98) 1.5321 (df = 10; 90) 7.1506
## =================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Utilidades#########
i=10
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Utilidades"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp10<-regp
regef10<-(regfe)
regrf10<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

 371

sqrt(diag(vcovHC(regfe, type = "HC1"))),

sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE Utilidades
## ===================================================================
======
## Dependent variable:
## ------------------------------------------------------
------
## vard
## Pooled FE
RE
## (1) (2) (
3)
## -------------------------------------------------------------------
------
## EfOp -0.0248*** -0.0109** -0.0
152**
## (0.0095) (0.0048) (0.
0064)
##
## LIQ -0.0035 -0.0054 -0.
0047
## (0.0028) (0.0033) (0.
0029)
##
## End 0.1783** 0.1799 0.1
791*
## (0.0773) (0.1119) (0.
0994)
##
 372

## Imob -0.0015 -0.0908 -0.

0395
## (0.0383) (0.0613) (0.
0484)
##
## Lnativo -0.0085** -0.0288 -0.
0107*
## (0.0037) (0.0221) (0.
0059)
##
## PIB -3.8587*** -3.3953*** -3.6
063***
## (0.9970) (1.0529) (0.
9937)
##
## IPCA 0.0016 0.0021 0.
0012
## (0.0061) (0.0060) (0.
0059)
##
## LFT 0.1903 0.8167 0.
7412
## (1.0154) (0.9862) (0.
9139)
##
## Covid 0.0325*** 0.0359*** 0.03
16***
## (0.0097) (0.0099) (0.
0088)
##
## Inov -0.0018 -0.0169* -0.
0120
## (0.0148) (0.0092) (0.
0094)
##
## Constant 0.2238*** 0.2
696**
## (0.0824) (0.
1205)
##
## -------------------------------------------------------------------
------
## Observations 829 829 8
29
 373

## R2 0.0960 0.0572 0.
0604
## Adjusted R2 0.0850 0.0005 0.
0490
## F Statistic 8.6898*** (df = 10; 818) 4.7423*** (df = 10; 781) 51.6
586***
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))),
sqrt(diag(vcovHC(regp5, type = "HC1"))),
sqrt(diag(vcovHC(regp6, type = "HC1"))),
sqrt(diag(vcovHC(regp7, type = "HC1"))),
sqrt(diag(vcovHC(regp8, type = "HC1"))),
sqrt(diag(vcovHC(regp9, type = "HC1"))),
sqrt(diag(vcovHC(regp10, type = "HC1"))))

titulo<-paste("CFROE"," ", "Pooled")

stargazer(regp1,regp2, regp3,regp4,regp5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## CFROE Pooled
## ===================================================================
====================================================================
## Dep
endent variable:
## ------------------------------------------------------
--------------------------------------------------------------------
 374

##
vard
## Consumo Descricionario Consumo Padrao
Energia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
--------------------------------------------------------------------
## EfOp -0.0156 -0.0542
0.0099 0.0011 -0.0854
## (0.0101) (0.0705)
(0.0245) (0.0038) (0.0596)
##
## LIQ 0.0006 0.1679***
0.0059 -0.0264 -0.0072
## (0.0029) (0.0563)
(0.0052) (0.0340) (0.0269)
##
## End 0.1879 0.4573*
-0.1164* -0.9317 -0.1714
## (0.1774) (0.2606)
(0.0656) (0.8335) (0.3551)
##
## Imob -0.0372 -0.0661
0.0501 -0.5420* -0.0277
## (0.1213) (0.2246)
(0.0775) (0.2770) (0.1989)
##
## Lnativo -0.0141 0.0330
0.0228** 0.0724 0.0373
## (0.0175) (0.0266)
(0.0115) (0.0531) (0.0530)
##
## PIB -0.2738 -16.3150
0.4130 -2.4943 -3.4875
## (2.2041) (13.7265)
(2.1487) (1.6775) (4.2626)
##
## IPCA -0.0791** -0.0631
0.0033 0.0005 0.0327
## (0.0397) (0.0629)
(0.0245) (0.0124) (0.0380)
##
 375

## LFT 2.9238 -6.7905

-2.6449 2.0233 -9.5103*
## (3.1386) (5.5257)
(2.0073) (4.8597) (5.7662)
##
## Covid -0.0055 0.1142
0.0092 -0.0263 -0.0318
## (0.0189) (0.1129)
(0.0157) (0.0340) (0.0406)
##
## Inov -0.0387 -0.1383
-0.0389 -0.0750
## (0.0344) (0.0900)
(0.0592) (0.1290)
##
## Constant 0.3298 -0.6410
-0.4590* -1.3084 -0.5536
## (0.3775) (0.5470)
(0.2748) (0.9500) (1.1125)
##
## -------------------------------------------------------------------
--------------------------------------------------------------------
## Observations 1,155 475
199 510 762
## R2 0.0160 0.0871
0.1276 0.0551 0.0256
## Adjusted R2 0.0074 0.0674
0.0812 0.0381 0.0126
## F Statistic 1.8630** (df = 10; 1144) 4.4271*** (df = 10; 464) 2.75
09*** (df = 10; 188) 3.2425*** (df = 9; 500) 1.9705** (df = 10; 751)
## ===================================================================
====================================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regp6,regp7,regp8,regp9, regp10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROE Pooled
 376

## ===================================================================
==================================================================
## Depe
ndent variable:
## ------------------------------------------------------
------------------------------------------------------------------
##
vard
## Materiais Basicos Saude
Tecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
------------------------------------------------------------------
## EfOp -0.0311*** -0.0005
-0.8710*** -0.2050*** -0.0248
## (0.0101) (0.0705)
(0.0245) (0.0038) (0.0596)
##
## LIQ 0.0129*** -0.0185
0.0247*** 0.0039 -0.0035
## (0.0029) (0.0563)
(0.0052) (0.0340) (0.0269)
##
## End 0.2270 -0.0765
-0.1923*** -0.0224 0.1783
## (0.1774) (0.2606)
(0.0656) (0.8335) (0.3551)
##
## Imob -0.0045 -0.2228
4.0484*** 0.2516 -0.0015
## (0.1213) (0.2246)
(0.0775) (0.2770) (0.1989)
##
## Lnativo -0.0129 0.0044
-0.0472*** 0.0136 -0.0085
## (0.0175) (0.0266)
(0.0115) (0.0531) (0.0530)
##
## PIB -1.5843 1.3562
-1.6162 -4.6581*** -3.8587
## (2.2041) (13.7265)
(2.1487) (1.6775) (4.2626)
##
 377

## IPCA -0.0204 -0.0106

-0.0246 0.0544*** 0.0016
## (0.0397) (0.0629)
(0.0245) (0.0124) (0.0380)
##
## LFT -13.8444*** -2.0069
12.8899*** -15.2953*** 0.1903
## (3.1386) (5.5257)
(2.0073) (4.8597) (5.7662)
##
## Covid 0.0194 0.0056
-0.1744*** -0.0785** 0.0325
## (0.0189) (0.1129)
(0.0157) (0.0340) (0.0406)
##
## Inov 0.2033*** 0.0522
-0.1144* -0.1495 -0.0018
## (0.0344) (0.0900)
(0.0592) (0.1290)
##
## Constant 0.4295 0.0187
1.7373*** 0.0959 0.2238
## (0.3775) (0.5470)
(0.2748) (0.9500) (1.1125)
##
## -------------------------------------------------------------------
------------------------------------------------------------------
## Observations 550 256
99 109 829
## R2 0.0459 0.4064
0.2383 0.0680 0.0960
## Adjusted R2 0.0282 0.3821
0.1518 -0.0271 0.0850
## F Statistic 2.5917*** (df = 10; 539) 16.7719*** (df = 10; 245) 2.7
538*** (df = 10; 88) 0.7151 (df = 10; 98) 8.6898*** (df = 10; 818)
## ===================================================================
==================================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
 378

sqrt(diag(vcovHC(regef4, type = "HC1"))),

sqrt(diag(vcovHC(regef5, type = "HC1"))),
sqrt(diag(vcovHC(regef6, type = "HC1"))),
sqrt(diag(vcovHC(regef7, type = "HC1"))),
sqrt(diag(vcovHC(regef8, type = "HC1"))),
sqrt(diag(vcovHC(regef9, type = "HC1"))),
sqrt(diag(vcovHC(regef10, type = "HC1"))))

titulo<-paste("CFROE"," ", "Efeitos Fixos")

stargazer(regef1,regef2, regef3,regef4,regef5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## CFROE Efeitos Fixos
## ===================================================================
==============================================================
## Depend
ent variable:
## ------------------------------------------------------
--------------------------------------------------------------
##
vard
## Consumo Descricionario Consumo Padrao En
ergia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
--------------------------------------------------------------
## EfOp -0.0095 -0.0262 0.0
450*** 0.0057 0.0053
## (0.0099) (0.0440) (0
.0148) (0.0053) (0.0634)
##
## LIQ 0.0248 0.0437 0
.0002 -0.0770 0.0305
## (0.0204) (0.0450) (0
.0042) (0.0650) (0.0315)
 379

##
## End 0.0995 -0.2759 -0
.1599* -3.5655 -0.8222
## (0.3223) (0.6335) (0
.0953) (2.9416) (0.5973)
##
## Imob 0.3105 -0.0577 0.
1549** -3.0320 0.4760
## (0.3406) (0.3500) (0
.0774) (7.3412) (0.3898)
##
## Lnativo 0.0326 0.1187** 0
.0144 0.6027 -0.2749**
## (0.0570) (0.0578) (0
.0200) (0.5151) (0.1302)
##
## PIB 0.1792 -17.1942 0
.4315 -8.9510 1.3380
## (2.1959) (13.2705) (2
.0314) (7.4270) (4.7257)
##
## IPCA -0.0762* -0.0682 0
.0049 -0.0098 0.0648
## (0.0406) (0.0652) (0
.0250) (0.0274) (0.0425)
##
## LFT 4.2118 -10.4805* -2
.7800* -2.3066 -4.1959
## (3.2614) (5.6181) (1
.6060) (5.7443) (4.6394)
##
## Covid -0.0240 0.1381 0
.0099 -0.2701 0.1134**
## (0.0442) (0.1210) (0
.0154) (0.2055) (0.0488)
##
## Inov -0.0010 -0.0785
-0.0309
## (0.0238) (0.0683)
(0.0442)
##
## -------------------------------------------------------------------
--------------------------------------------------------------
 380

## Observations 1,155 475

199 510 762
## R2 0.0136 0.0371 0
.0538 0.1707 0.0612
## Adjusted R2 -0.0500 -0.0397 -0
.0466 0.1095 -0.0105
## F Statistic 1.4995 (df = 10; 1084) 1.6918* (df = 10; 439) 1.1313 (
df = 9; 179) 10.8398*** (df = 9; 474) 4.6079*** (df = 10; 707)
## ===================================================================
==============================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regef6,regef7,regef8,regef9, regef10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROE Efeitos Fixos
## ===================================================================
=============================================================
## Depend
ent variable:
## ------------------------------------------------------
-------------------------------------------------------------
##
vard
## Materiais Basicos Saude Te
cnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
-------------------------------------------------------------
## EfOp 0.0556*** -0.0004 -0
.8064*** 0.1464*** -0.0109
## (0.0099) (0.0440) (
0.0148) (0.0053) (0.0634)
##
## LIQ 0.0015 0.0014 -0
.0240*** 0.0002 -0.0054
## (0.0204) (0.0450) (
0.0042) (0.0650) (0.0315)
 381

##
## End 0.2505 -0.0263 1
.0326*** 0.5222 0.1799
## (0.3223) (0.6335) (
0.0953) (2.9416) (0.5973)
##
## Imob -0.0438 0.1449 2
.2821*** -0.0229 -0.0908
## (0.3406) (0.3500) (
0.0774) (7.3412) (0.3898)
##
## Lnativo 0.0700 -0.0221 0
.7657*** 0.6169 -0.0288
## (0.0570) (0.0578) (
0.0200) (0.5151) (0.1302)
##
## PIB -2.4887 1.7132 -2
1.9495*** -2.1027 -3.3953
## (2.1959) (13.2705) (
2.0314) (7.4270) (4.7257)
##
## IPCA -0.0239 -0.0029 -0
.1059*** 0.0467* 0.0021
## (0.0406) (0.0652) (
0.0250) (0.0274) (0.0425)
##
## LFT -12.9580*** -1.1990 -2
7.1804*** -27.7646*** 0.8167
## (3.2614) (5.6181) (
1.6060) (5.7443) (4.6394)
##
## Covid -0.0004 0.0128 -0
.7001*** -0.2210 0.0359
## (0.0442) (0.1210) (
0.0154) (0.2055) (0.0488)
##
## Inov 0.1766*** -0.0251
0.1608 -0.1089 -0.0169
## (0.0238) (0.0683)
(0.0442)
##
## -------------------------------------------------------------------
-------------------------------------------------------------
 382

## Observations 550 256

99 109 829
## R2 0.0252 0.0859
0.3049 0.1455 0.0572
## Adjusted R2 -0.0391 -0.0090
0.1692 -0.0254 0.0005
## F Statistic 1.3320 (df = 10; 515) 2.1721** (df = 10; 231) 3.5962**
* (df = 10; 82) 1.5321 (df = 10; 90) 4.7423*** (df = 10; 781)
## ===================================================================
=============================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios

estatrobustos <-list(sqrt(diag(vcovHC(regrf1, type = "HC1"))),

sqrt(diag(vcovHC(regrf2, type = "HC1"))),
sqrt(diag(vcovHC(regrf3, type = "HC1"))),
sqrt(diag(vcovHC(regrf5, type = "HC1"))),
sqrt(diag(vcovHC(regrf6, type = "HC1"))),
sqrt(diag(vcovHC(regrf7, type = "HC1"))),
sqrt(diag(vcovHC(regrf8, type = "HC1"))),
sqrt(diag(vcovHC(regrf9, type = "HC1"))),
sqrt(diag(vcovHC(regrf10, type = "HC1"))))

titulo<-paste("CFROE"," ", "Efeitos Aleatorios")

stargazer(regrf1,regrf2, regrf3,regrf5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,2,3,5)])
##
## CFROE Efeitos Aleatorios
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
 383

## Consumo Descricionario Consumo Padrao Energia Indust

rial
## (1) (2) (3) (4)
## -------------------------------------------------------------------
----
## EfOp -0.0132 -0.0437 0.0311** -0.01
22
## (0.0101) (0.0591) (0.0156) (0.06
52)
##
## LIQ 0.0013 0.1231*** 0.0015 -0.00
40
## (0.0033) (0.0344) (0.0038) (0.02
54)
##
## End 0.2008 0.3792 -0.1474** -0.44
83
## (0.1895) (0.2663) (0.0713) (0.45
12)
##
## Imob -0.0100 -0.0900 0.0874 0.33
35
## (0.1282) (0.2200) (0.0683) (0.29
89)
##
## Lnativo -0.0120 0.0372 0.0237** 0.02
44
## (0.0207) (0.0250) (0.0108) (0.04
78)
##
## PIB 0.1669 -16.0598 0.5004 -0.41
52
## (2.3063) (13.6591) (2.0277) (4.47
11)
##
## IPCA -0.0772** -0.0619 0.0039 0.04
32
## (0.0391) (0.0644) (0.0238) (0.03
94)
##
## LFT 3.2193 -8.0088 -2.7696 -8.22
44
## (3.2094) (5.5894) (1.8921) (5.56
73)
 384

##
## Covid -0.0096 0.1254 0.0089 -0.00
33
## (0.0220) (0.1214) (0.0158) (0.03
18)
##
## Inov -0.0347 -0.1131 -0.0296 -0.00
16
## (0.0336) (0.0757) (0.0581) (0.05
23)
##
## Constant 0.2674 -0.6967 -0.4930** -0.44
14
## (0.4511) (0.5143) (0.2435) (1.01
11)
##
## -------------------------------------------------------------------
----
## Observations 1,155 475 199 762
## R2 0.0145 0.0531 0.0755 0.02
63
## Adjusted R2 0.0059 0.0327 0.0263 0.01
33
## F Statistic 16.7244* 26.3196*** 14.4388 19.626
7**
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
stargazer(regrf6,regrf7,regrf8,regrf9, regrf10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROE Efeitos Aleatorios
## ===================================================================
============
## Dependent variable:
## ------------------------------------------------------
------------
 385

## vard
## Materiais Basicos Saude Tecnologia Telecomunicacoe
s Utilidades
## (1) (2) (3) (4)
(5)
## -------------------------------------------------------------------
------------
## EfOp -0.0110 -0.0004 -0.8710*** -0.2050***
-0.0152
## (0.0101) (0.0591) (0.0156) (0.0652)
(0.0589)
##
## LIQ 0.0141*** -0.0076 0.0247*** 0.0039
-0.0047
## (0.0033) (0.0344) (0.0038) (0.0254)
(0.0264)
##
## End 0.2239 -0.0868 -0.1923*** -0.0224
0.1791
## (0.1895) (0.2663) (0.0713) (0.4512)
(0.1262)
##
## Imob -0.0004 -0.0166 4.0484*** 0.2516
-0.0395
## (0.1282) (0.2200) (0.0683) (0.2989)
(0.1032)
##
## Lnativo -0.0115 0.0032 -0.0472*** 0.0136
-0.0107
## (0.0207) (0.0250) (0.0108) (0.0478)
(0.0127)
##
## PIB -1.6991 1.4057 -1.6162 -4.6581
-3.6063
## (2.3063) (13.6591) (2.0277) (4.4711)
(8.2316)
##
## IPCA -0.0201 -0.0067 -0.0246 0.0544
0.0012
## (0.0391) (0.0644) (0.0238) (0.0394)
(0.0170)
##
## LFT -13.5164*** -1.8579 12.8899*** -15.2953***
0.7412
 386

## (3.2094) (5.5894) (1.8921) (5.5673)

(5.8635)
##
## Covid 0.0204 0.0070 -0.1744*** -0.0785**
0.0316
## (0.0220) (0.1214) (0.0158) (0.0318)
(0.0502)
##
## Inov 0.2027*** 0.0037 -0.1144** -0.1495***
-0.0120
## (0.0336) (0.0757) (0.0581) (0.0523)
(0.0887)
##
## Constant 0.3753 -0.0039 1.7373*** 0.0959
0.2696
## (0.4511) (0.5143) (0.2435) (1.0111)
(0.3769)
##
## -------------------------------------------------------------------
------------
## Observations 550 256 99 109
829
## R2 0.0383 0.0738 0.2383 0.0680
0.0604
## Adjusted R2 0.0204 0.0360 0.1518 -0.0271
0.0490
## F Statistic 21.7144** 20.3960** 27.5375*** 7.1506
51.6586***
## ===================================================================
============
## Note: *p<0.1; **p<0.0
5; ***p<0.01

Regressão CFROIC – Setor

####Pacotes Usados ###

library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
 387

## The following objects are masked from 'package:stats':

##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.csv", header = T,sep = ";"
,dec = ".",quote = "\""))
 388

base$Empresa<-as.factor(base$Empresa)#transformo os caracteres em fato

res (n?meros)
painel<-pdata.frame(base,
index=c("Empresa","Data"),
drop.index=TRUE,
row.names =TRUE)

names(painel)

summary(painel)

painel$Setor<-as.factor(painel$Setor)
Painel<-painel

nivel<-levels(painel$Setor)
###################################Consumo Descriionario#########
i=1
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Descricionario"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa
 389

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp1<-regp
regef1<-(regfe)
regrf1<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC Consumo Descricionario
## ===================================================================
========
## Dependent variable:
## ------------------------------------------------------
--------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
--------
## EfOp -0.0100 0.0304 -
0.0079
## (0.0216) (0.0231) (
0.0213)
 390

##
## LIQ 0.0181 -0.0558
0.0179
## (0.0155) (0.0935) (
0.0157)
##
## End -0.0056 1.0372
0.0093
## (0.1631) (0.8208) (
0.1689)
##
## Imob 0.0861 -1.6987*
0.0881
## (0.2487) (0.9394) (
0.2492)
##
## Lnativo 0.0424 0.5866
0.0448
## (0.0307) (0.3570) (
0.0316)
##
## PIB -6.2587 -10.4369 -
6.1584
## (8.7943) (8.2103) (
8.7520)
##
## IPCA 0.0502 0.0043
0.0505
## (0.1095) (0.0938) (
0.1094)
##
## LFT 10.2436 8.2083 1
0.3409
## (9.7612) (8.3249) (
9.7657)
##
## Covid -0.3662 -0.6846 -
0.3690
## (0.2386) (0.4241) (
0.2398)
##
## Inov -0.1045 -0.2787* -
0.1100
 391

## (0.1073) (0.1671) (
0.1082)
##
## Constant -0.8024 -
0.8605
## (0.7038) (
0.7232)
##
## -------------------------------------------------------------------
--------
## Observations 1,155 1,155
1,155
## R2 0.0242 0.0446
0.0243
## Adjusted R2 0.0157 -0.0171
0.0157
## F Statistic 2.8368*** (df = 10; 1144) 5.0561*** (df = 10; 1084) 28
.4821***
## ===================================================================
========
## Note: *p<0.1; **p<0.05; *
**p<0.01
###################################Consumo Padrao#########
i=2
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Padrao"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa
 392

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp2<-regp
regef2<-(regfe)
regrf2<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC Consumo Padrao
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
----
## EfOp -0.1017*** -0.0927*** -0.098
5***
## (0.0383) (0.0310) (0.03
23)
##
 393

## LIQ 0.1204*** 0.1578** 0.1403

***
## (0.0422) (0.0667) (0.04
95)
##
## End -0.2087*** -0.3257* -0.268
3***
## (0.0742) (0.1673) (0.09
20)
##
## Imob 0.0459 -0.0073 0.05
69
## (0.1146) (0.3218) (0.16
12)
##
## Lnativo 0.0148 -0.0029 0.02
03
## (0.0107) (0.0415) (0.01
67)
##
## PIB -4.2699 -3.0979 -3.78
93
## (4.8734) (3.5832) (4.21
45)
##
## IPCA 0.0111 0.0129 0.01
11
## (0.0354) (0.0369) (0.03
51)
##
## LFT -2.0397 -2.7305 -2.43
33
## (1.9787) (2.1289) (1.92
24)
##
## Covid -0.0065 0.0081 -0.00
59
## (0.0247) (0.0246) (0.02
41)
##
## Inov -0.0001 -0.0160 -0.00
80
## (0.0306) (0.0241) (0.03
10)
 394

##
## Constant -0.1551 -0.27
70
## (0.2816) (0.44
54)
##
## -------------------------------------------------------------------
----
## Observations 475 475 475
## R2 0.0557 0.0395 0.04
16
## Adjusted R2 0.0354 -0.0371 0.02
10
## F Statistic 2.7377*** (df = 10; 464) 1.8041* (df = 10; 439) 20.758
3**
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################Energia#########
i=3
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Energia"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa
 395

regp3<-regp
regef3<-(regfe)
regrf3<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC Energia
## ===================================================================
=====
## Dependent variable:
## ------------------------------------------------------
-----
## vard
## Pooled FE R
E
## (1) (2) (3
)
## -------------------------------------------------------------------
-----
## EfOp -0.1970 -0.0332 -0.0
473
## (0.1422) (0.0746) (0.0
810)
##
## LIQ -0.0393 -0.0515 -0.0
505
 396

## (0.0480) (0.0507) (0.0

487)
##
## End -0.2676 -0.5067* -0.5
499*
## (0.5661) (0.2707) (0.2
935)
##
## Imob -1.6260** -1.1985 -1.2
914*
## (0.7716) (0.7603) (0.7
381)
##
## Lnativo 0.0368 -0.0350 0.0
287
## (0.0533) (0.1186) (0.0
578)
##
## PIB 0.3136 1.0957 0.4
781
## (7.8743) (5.7388) (5.5
958)
##
## IPCA -0.0375 -0.0131 -0.0
206
## (0.0796) (0.0780) (0.0
799)
##
## LFT 1.0625 -0.8745 -1.5
778
## (7.0845) (4.7755) (4.3
869)
##
## Covid -0.2099 -0.1793 -0.2
010
## (0.1368) (0.1493) (0.1
479)
##
## Inov 0.2112 0.0
655
## (0.3675) (0.2
941)
##
 397

## Constant 0.2775 0.3

539
## (1.1606) (1.2
407)
##
## -------------------------------------------------------------------
-----
## Observations 199 199 19
9
## R2 0.3185 0.1923 0.1
924
## Adjusted R2 0.2823 0.1065 0.1
495
## F Statistic 8.7871*** (df = 10; 188) 4.7339*** (df = 9; 179) 45.36
76***
## ===================================================================
=====
## Note: *p<0.1; **p<0.05; ***p
<0.01
###################################Imobiliario#########
i=4
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Imobiliario"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

#regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Co

vid+ Inov,data=painel, model="random", random.method="walhus")#modelo
efeito aleat?rio para empresa
#Error in solve.default(crossprod(Z)) :
#Lapack routine dgesv: system is exactly singular: U[10,10] = 0
 398

regp4<-regp
regef4<-(regfe)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
##
## CFROIC Imobiliario
## ============================================================
## Dependent variable:
## -----------------------------------------------
## vard
## Pooled FE
## (1) (2)
## ------------------------------------------------------------
## EfOp -1.0395 -2.1681
## (1.5189) (1.9345)
##
## LIQ 16.4246 23.0314
## (13.3816) (21.3945)
##
## End 10.4474 10.9917
## (29.0257) (42.5947)
##
## Imob 31.6352 -189.0213
## (88.4391) (374.5583)
 399

##
## Lnativo -5.4603 -23.1923
## (4.4503) (16.5205)
##
## PIB 572.1373 792.0066
## (701.1643) (951.5796)
##
## IPCA 10.4028 10.3226
## (10.0425) (9.1517)
##
## LFT 971.9477* 1,579.9910
## (560.4745) (1,219.0710)
##
## Covid -22.0520 -19.2018
## (17.6398) (18.1859)
##
## Constant 95.6533
## (71.9978)
##
## ------------------------------------------------------------
## Observations 510 510
## R2 0.0930 0.1017
## Adjusted R2 0.0767 0.0354
## F Statistic 5.6968*** (df = 9; 500) 5.9617*** (df = 9; 474)
## ============================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Industrial#########
i=5
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Industrial"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
 400

## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P

IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp5<-regp
regef5<-(regfe)
regrf5<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC Industrial
## ===================================================================
=========
## Dependent variable:
## ------------------------------------------------------
---------
## vard
 401

## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
---------
## EfOp 15.3210 18.3888
17.8434
## (13.1695) (14.2294) (
14.4231)
##
## LIQ 1.5377 2.8610
1.9642
## (1.1226) (2.2363) (
1.6322)
##
## End -3.7495 -6.1749
-3.2239
## (5.1990) (6.8259) (
6.5883)
##
## Imob 0.3293 -17.0365
-0.2090
## (3.1475) (15.1326) (
6.2609)
##
## Lnativo 1.3872 -7.8232
0.7766
## (1.0312) (4.8344) (
1.1224)
##
## PIB 130.3717 234.1805 1
86.2492
## (131.2124) (158.8945) (1
47.4986)
##
## IPCA 0.2642 0.5488
0.2427
## (0.9554) (0.9292) (
0.9281)
##
## LFT -56.0528 28.0175 -
81.4594
 402

## (100.3551) (97.5685) (1
00.9899)
##
## Covid 0.3520 2.7897
0.2502
## (1.2265) (2.1393) (
1.1340)
##
## Inov -2.4746 -2.1957
-0.7605
## (2.7044) (1.9695) (
1.8887)
##
## Constant -44.8870 -
34.8109
## (29.4676) (
27.4328)
##
## -------------------------------------------------------------------
---------
## Observations 762 762
762
## R2 0.1585 0.2160
0.1825
## Adjusted R2 0.1473 0.1561
0.1716
## F Statistic 14.1459*** (df = 10; 751) 19.4762*** (df = 10; 707) 16
7.6125***
## ===================================================================
=========
## Note: *p<0.1; **p<0.05;
***p<0.01
###################################Materiais Basicos#########
i=6
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Materiais Basicos"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
 403

## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P

IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp6<-regp
regef6<-(regfe)
regrf6<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC Materiais Basicos
## ===================================================================
======
## Dependent variable:
## ------------------------------------------------------
------
## vard
 404

## Pooled FE
RE
## (1) (2) (
3)
## -------------------------------------------------------------------
------
## EfOp -0.0919*** -0.0499 -0.
0591*
## (0.0303) (0.0373) (0.
0330)
##
## LIQ 0.0520** 0.0726** 0.0
597**
## (0.0252) (0.0356) (0.
0271)
##
## End -0.1515** -0.1670* -0.1
474***
## (0.0620) (0.0854) (0.
0555)
##
## Imob 0.0046 0.2562 0.
0585
## (0.1123) (0.2231) (0.
1555)
##
## Lnativo 0.0098* -0.0208 0.
0066
## (0.0052) (0.1202) (0.
0047)
##
## PIB -3.2815 -2.4070 -2.
9185
## (3.1101) (3.3109) (3.
0888)
##
## IPCA 0.0153 0.0179 0.
0156
## (0.0175) (0.0195) (0.
0177)
##
## LFT -4.8972 -5.0459 -4.
9397
 405

## (3.2915) (3.2044) (3.

4413)
##
## Covid 0.0238 0.0408 0.0
268*
## (0.0156) (0.0321) (0.
0147)
##
## Inov -0.0053 0.0028 0.
0007
## (0.0261) (0.0213) (0.
0164)
##
## Constant -0.0443 -0.
0322
## (0.1306) (0.
0951)
##
## -------------------------------------------------------------------
------
## Observations 550 550 5
50
## R2 0.1231 0.0779 0.
0871
## Adjusted R2 0.1068 0.0170 0.
0701
## F Statistic 7.5633*** (df = 10; 539) 4.3500*** (df = 10; 515) 51.2
160***
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
###################################Saude#########
i=7
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Saude"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
 406

## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P

IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp7<-regp
regef7<-(regfe)
regrf7<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC Saude
## ===================================================================
==
## Dependent variable:
## ------------------------------------------------------
--
## vard
 407

## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
--
## EfOp 0.0033 0.0008 0.0013
## (0.0025) (0.0007) (0.0009
)
##
## LIQ -0.0377 -0.1106 -0.119
4
## (0.0640) (0.1307) (0.1252
)
##
## End -1.3232 -0.5318 -0.7983
*
## (0.8740) (0.3328) (0.4645
)
##
## Imob -1.5070 -0.4957 -0.976
9
## (1.3257) (0.7612) (0.8667
)
##
## Lnativo -0.0197 -0.2029* -0.062
3
## (0.0963) (0.1215) (0.0697
)
##
## PIB 17.2957 23.0633 21.779
1
## (20.7575) (23.1224) (22.590
1)
##
## IPCA -0.0267 -0.0353 -0.043
6
## (0.0206) (0.0256) (0.0269
)
##
## LFT -20.2381 -3.5192 -8.5494
*
## (12.6927) (2.4083) (4.8902
)
##
 408

## Covid 0.1396 0.1012 0.0722

## (0.1141) (0.0755) (0.0708
)
##
## Inov 0.0018 0.0482 -0.033
3
## (0.1001) (0.0827) (0.0414
)
##
## Constant 1.3787 2.0739
## (2.3065) (1.8084
)
##
## -------------------------------------------------------------------
--
## Observations 256 256 256
## R2 0.2119 0.0509 0.0619
## Adjusted R2 0.1798 -0.0477 0.0236
## F Statistic 6.5889*** (df = 10; 245) 1.2381 (df = 10; 231) 16.0295
*
## ===================================================================
==
## Note: *p<0.1; **p<0.05; ***p<0.
01
###################################Tecnologia#########
i=8
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Tecnologia"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
 409

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp8<-regp
regef8<-(regfe)
regrf8<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC Tecnologia
## ===================================================================
## Dependent variable:
## ------------------------------------------------------
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
## EfOp -0.4709 -0.4247* -0.3941*
## (0.3116) (0.2486) (0.2381)
##
## LIQ -0.0127 0.1086*** 0.0485**
 410

## (0.0308) (0.0182) (0.0205)

##
## End -0.9893 1.5059 1.1405
## (1.8022) (1.1107) (1.5425)
##
## Imob 0.3961 -5.8712*** -3.8226***
## (1.7708) (1.2701) (0.9689)
##
## Lnativo 0.0030 -0.2525 -0.0493
## (0.0436) (0.3507) (0.1379)
##
## PIB -35.4207* -41.6014** -42.3033*
## (21.3043) (20.4920) (22.7642)
##
## IPCA 0.3294 0.4084 0.3669
## (0.3443) (0.3179) (0.3235)
##
## LFT -19.1642 -12.5583 -23.0016
## (20.0695) (25.0314) (15.7826)
##
## Covid -0.5520* -0.1829 -0.4018*
## (0.2936) (0.3054) (0.2205)
##
## Inov -0.1324 -0.7106*** -0.4546*
## (0.3249) (0.1352) (0.2341)
##
## Constant 1.1952 1.9201
## (1.2301) (2.6648)
##
## -------------------------------------------------------------------
## Observations 99 99 99
## R2 0.1236 0.2069 0.1518
## Adjusted R2 0.0240 0.0522 0.0554
## F Statistic 1.2411 (df = 10; 88) 2.1393** (df = 10; 82) 15.5994
## ===================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Telecomunicacoes#########
 411

i=9
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Telecomunicacoes"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp9<-regp
regef9<-(regfe)
regrf9<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
 412

omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))

##
## CFROIC Telecomunicacoes
## ===================================================================
## Dependent variable:
## ------------------------------------------------------
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
## EfOp -0.2641 -0.2222 -0.2641
## (0.1759) (0.2356) (0.1759)
##
## LIQ 0.0489*** 0.0367*** 0.0489***
## (0.0038) (0.0032) (0.0038)
##
## End -0.1461*** -0.0220 -0.1461***
## (0.0250) (0.1471) (0.0250)
##
## Imob -0.2275** -0.2146 -0.2275**
## (0.1125) (0.2633) (0.1125)
##
## Lnativo -0.0062 0.1801 -0.0062
## (0.0101) (0.1331) (0.0101)
##
## PIB 12.0085 13.9965 12.0085
## (10.7003) (10.8653) (10.7003)
##
## IPCA -0.0667 -0.0743 -0.0667
## (0.0411) (0.0489) (0.0411)
##
## LFT -11.5121 -14.0105* -11.5121
## (7.7901) (7.8909) (7.7901)
##
## Covid -0.0779 -0.0933 -0.0779
## (0.0678) (0.0638) (0.0678)
##
 413

## Inov 0.0035 -0.0293 0.0035

## (0.0323) (0.0502) (0.0323)
##
## Constant 0.6701 0.6701
## (0.4127) (0.4127)
##
## -------------------------------------------------------------------
## Observations 109 109 109
## R2 0.1701 0.0540 0.1701
## Adjusted R2 0.0854 -0.1351 0.0854
## F Statistic 2.0081** (df = 10; 98) 0.5142 (df = 10; 90) 20.0810**
## ===================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Utilidades#########
i=10
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Utilidades"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp10<-regp
regef10<-(regfe)
 414

regrf10<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC Utilidades
## ===================================================================
=======
## Dependent variable:
## ------------------------------------------------------
-------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
-------
## EfOp -0.8144 0.2464 0.
2374
## (0.9203) (0.2852) (0.
2929)
##
## LIQ -0.2144 -0.0778 -0
.1367
## (0.3175) (0.2445) (0.
1577)
##
## End 30.1239** 5.5984 10
.4660
 415

## (13.2618) (6.3136) (7.

8585)
##
## Imob -22.2016*** -12.7809** -16.
5784***
## (8.0959) (6.3178) (5.
9718)
##
## Lnativo -2.2869 -4.0219 -2
.8328
## (1.7182) (3.6501) (1.
7531)
##
## PIB -240.1226** -255.9406** -255
.6458**
## (110.3705) (123.5416) (112
.4335)
##
## IPCA -2.4891* -2.2853 -2
.4126
## (1.4217) (1.5083) (1.
4726)
##
## LFT -94.4653 -66.5606 -54
.0668
## (227.5490) (156.7236) (161
.5961)
##
## Covid 1.9829* 1.6706 1.
3654
## (1.0389) (1.1423) (0.
8617)
##
## Inov -2.6102* 1.1479 0.
1966
## (1.4985) (1.2338) (0.
9480)
##
## Constant 55.0704 72.
4824*
## (41.1819) (43
.8525)
##
 416

## -------------------------------------------------------------------
-------
## Observations 829 829
829
## R2 0.1179 0.0283 0.
0350
## Adjusted R2 0.1071 -0.0302 0.
0232
## F Statistic 10.9298*** (df = 10; 818) 2.2714** (df = 10; 781) 28.6
472***
## ===================================================================
=======
## Note: *p<0.1; **p<0.05; **
*p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))),
sqrt(diag(vcovHC(regp5, type = "HC1"))),
sqrt(diag(vcovHC(regp6, type = "HC1"))),
sqrt(diag(vcovHC(regp7, type = "HC1"))),
sqrt(diag(vcovHC(regp8, type = "HC1"))),
sqrt(diag(vcovHC(regp9, type = "HC1"))),
sqrt(diag(vcovHC(regp10, type = "HC1"))))

titulo<-paste("CFROIC"," ", "Pooled")

stargazer(regp1,regp2, regp3,regp4,regp5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## CFROIC Pooled
## ===================================================================
======================================================================
=
 417

## D
ependent variable:
## ------------------------------------------------------
----------------------------------------------------------------------
-
##
vard
## Consumo Descricionario Consumo Padrao
Energia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
----------------------------------------------------------------------
-
## EfOp -0.0100 -0.1017***
-0.1970 -1.0395 15.3210
## (0.0216) (0.0383)
(0.1422) (1.5189) (13.1695)
##
## LIQ 0.0181 0.1204***
-0.0393 16.4246 1.5377
## (0.0155) (0.0422)
(0.0480) (13.3816) (1.1226)
##
## End -0.0056 -0.2087***
-0.2676 10.4474 -3.7495
## (0.1631) (0.0742)
(0.5661) (29.0257) (5.1990)
##
## Imob 0.0861 0.0459
-1.6260** 31.6352 0.3293
## (0.2487) (0.1146)
(0.7716) (88.4391) (3.1475)
##
## Lnativo 0.0424 0.0148
0.0368 -5.4603 1.3872
## (0.0307) (0.0107)
(0.0533) (4.4503) (1.0312)
##
## PIB -6.2587 -4.2699
0.3136 572.1373 130.3717
## (8.7943) (4.8734)
(7.8743) (701.1643) (131.2124)
##
 418

## IPCA 0.0502 0.0111

-0.0375 10.4028 0.2642
## (0.1095) (0.0354)
(0.0796) (10.0425) (0.9554)
##
## LFT 10.2436 -2.0397
1.0625 971.9477* -56.0528
## (9.7612) (1.9787)
(7.0845) (560.4745) (100.3551)
##
## Covid -0.3662 -0.0065
-0.2099 -22.0520 0.3520
## (0.2386) (0.0247)
(0.1368) (17.6398) (1.2265)
##
## Inov -0.1045 -0.0001
0.2112 -2.4746
## (0.1073) (0.0306)
(0.3675) (2.7044)
##
## Constant -0.8024 -0.1551
0.2775 95.6533 -44.8870
## (0.7038) (0.2816)
(1.1606) (71.9978) (29.4676)
##
## -------------------------------------------------------------------
----------------------------------------------------------------------
-
## Observations 1,155 475
199 510 762
## R2 0.0242 0.0557
0.3185 0.0930 0.1585
## Adjusted R2 0.0157 0.0354
0.2823 0.0767 0.1473
## F Statistic 2.8368*** (df = 10; 1144) 2.7377*** (df = 10; 464) 8.7
871*** (df = 10; 188) 5.6968*** (df = 9; 500) 14.1459*** (df = 10; 751
)
## ===================================================================
======================================================================
=
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regp6,regp7,regp8,regp9, regp10,
digits = 4,
type="text",
 419

se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROIC Pooled
## ===================================================================
=================================================================
## Depe
ndent variable:
## ------------------------------------------------------
-----------------------------------------------------------------
##
vard
## Materiais Basicos Saude
Tecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
-----------------------------------------------------------------
## EfOp -0.0919*** 0.0033
-0.4709*** -0.2641 -0.8144
## (0.0216) (0.0383)
(0.1422) (1.5189) (13.1695)
##
## LIQ 0.0520*** -0.0377
-0.0127 0.0489 -0.2144
## (0.0155) (0.0422)
(0.0480) (13.3816) (1.1226)
##
## End -0.1515 -1.3232***
-0.9893* -0.1461 30.1239***
## (0.1631) (0.0742)
(0.5661) (29.0257) (5.1990)
##
## Imob 0.0046 -1.5070***
0.3961 -0.2275 -22.2016***
## (0.2487) (0.1146)
(0.7716) (88.4391) (3.1475)
##
## Lnativo 0.0098 -0.0197*
0.0030 -0.0062 -2.2869**
## (0.0307) (0.0107)
(0.0533) (4.4503) (1.0312)
 420

##
## PIB -3.2815 17.2957***
-35.4207*** 12.0085 -240.1226*
## (8.7943) (4.8734)
(7.8743) (701.1643) (131.2124)
##
## IPCA 0.0153 -0.0267
0.3294*** -0.0667 -2.4891***
## (0.1095) (0.0354)
(0.0796) (10.0425) (0.9554)
##
## LFT -4.8972 -20.2381***
-19.1642*** -11.5121 -94.4653
## (9.7612) (1.9787)
(7.0845) (560.4745) (100.3551)
##
## Covid 0.0238 0.1396***
-0.5520*** -0.0779 1.9829
## (0.2386) (0.0247)
(0.1368) (17.6398) (1.2265)
##
## Inov -0.0053 0.0018
-0.1324 0.0035 -2.6102
## (0.1073) (0.0306)
(0.3675) (2.7044)
##
## Constant -0.0443 1.3787***
1.1952 0.6701 55.0704*
## (0.7038) (0.2816)
(1.1606) (71.9978) (29.4676)
##
## -------------------------------------------------------------------
-----------------------------------------------------------------
## Observations 550 256
99 109 829
## R2 0.1231 0.2119
0.1236 0.1701 0.1179
## Adjusted R2 0.1068 0.1798
0.0240 0.0854 0.1071
## F Statistic 7.5633*** (df = 10; 539) 6.5889*** (df = 10; 245) 1.24
11 (df = 10; 88) 2.0081** (df = 10; 98) 10.9298*** (df = 10; 818)
## ===================================================================
=================================================================
 421

## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))),
sqrt(diag(vcovHC(regef5, type = "HC1"))),
sqrt(diag(vcovHC(regef6, type = "HC1"))),
sqrt(diag(vcovHC(regef7, type = "HC1"))),
sqrt(diag(vcovHC(regef8, type = "HC1"))),
sqrt(diag(vcovHC(regef9, type = "HC1"))),
sqrt(diag(vcovHC(regef10, type = "HC1"))))

titulo<-paste("CFROIC"," ", "Efeitos Fixos")

stargazer(regef1,regef2, regef3,regef4,regef5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## CFROIC Efeitos Fixos
## ===================================================================
====================================================================
## Dep
endent variable:
## ------------------------------------------------------
--------------------------------------------------------------------
##
vard
## Consumo Descricionario Consumo Padrao
Energia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
--------------------------------------------------------------------
## EfOp 0.0304 -0.0927***
-0.0332 -2.1681 18.3888
 422

## (0.0231) (0.0310)
(0.0746) (1.9345) (14.2294)
##
## LIQ -0.0558 0.1578**
-0.0515 23.0314 2.8610
## (0.0935) (0.0667)
(0.0507) (21.3945) (2.2363)
##
## End 1.0372 -0.3257*
-0.5067* 10.9917 -6.1749
## (0.8208) (0.1673)
(0.2707) (42.5947) (6.8259)
##
## Imob -1.6987* -0.0073
-1.1985 -189.0213 -17.0365
## (0.9394) (0.3218)
(0.7603) (374.5583) (15.1326)
##
## Lnativo 0.5866 -0.0029
-0.0350 -23.1923 -7.8232
## (0.3570) (0.0415)
(0.1186) (16.5205) (4.8344)
##
## PIB -10.4369 -3.0979
1.0957 792.0066 234.1805
## (8.2103) (3.5832)
(5.7388) (951.5796) (158.8945)
##
## IPCA 0.0043 0.0129
-0.0131 10.3226 0.5488
## (0.0938) (0.0369)
(0.0780) (9.1517) (0.9292)
##
## LFT 8.2083 -2.7305
-0.8745 1,579.9910 28.0175
## (8.3249) (2.1289)
(4.7755) (1,219.0710) (97.5685)
##
## Covid -0.6846 0.0081
-0.1793 -19.2018 2.7897
## (0.4241) (0.0246)
(0.1493) (18.1859) (2.1393)
##
 423

## Inov -0.2787* -0.0160

-2.1957
## (0.1671) (0.0241)
(1.9695)
##
## -------------------------------------------------------------------
--------------------------------------------------------------------
## Observations 1,155 475
199 510 762
## R2 0.0446 0.0395
0.1923 0.1017 0.2160
## Adjusted R2 -0.0171 -0.0371
0.1065 0.0354 0.1561
## F Statistic 5.0561*** (df = 10; 1084) 1.8041* (df = 10; 439) 4.733
9*** (df = 9; 179) 5.9617*** (df = 9; 474) 19.4762*** (df = 10; 707)
## ===================================================================
====================================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regef6,regef7,regef8,regef9, regef10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROIC Efeitos Fixos
## ===================================================================
============================================================
## Depende
nt variable:
## ------------------------------------------------------
------------------------------------------------------------
##
vard
## Materiais Basicos Saude T
ecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
------------------------------------------------------------
## EfOp -0.0499** 0.0008 -
0.4247*** -0.2222 0.2464
 424

## (0.0231) (0.0310)
(0.0746) (1.9345) (14.2294)
##
## LIQ 0.0726 -0.1106*
0.1086** 0.0367 -0.0778
## (0.0935) (0.0667)
(0.0507) (21.3945) (2.2363)
##
## End -0.1670 -0.5318*** 1
.5059*** -0.0220 5.5984
## (0.8208) (0.1673)
(0.2707) (42.5947) (6.8259)
##
## Imob 0.2562 -0.4957 -
5.8712*** -0.2146 -12.7809
## (0.9394) (0.3218)
(0.7603) (374.5583) (15.1326)
##
## Lnativo -0.0208 -0.2029*** -
0.2525** 0.1801 -4.0219
## (0.3570) (0.0415)
(0.1186) (16.5205) (4.8344)
##
## PIB -2.4070 23.0633*** -4
1.6014*** 13.9965 -255.9406
## (8.2103) (3.5832)
(5.7388) (951.5796) (158.8945)
##
## IPCA 0.0179 -0.0353 0
.4084*** -0.0743 -2.2853**
## (0.0938) (0.0369)
(0.0780) (9.1517) (0.9292)
##
## LFT -5.0459 -3.5192* -1
2.5583*** -14.0105 -66.5606
## (8.3249) (2.1289)
(4.7755) (1,219.0710) (97.5685)
##
## Covid 0.0408 0.1012***
-0.1829 -0.0933 1.6706
## (0.4241) (0.0246)
(0.1493) (18.1859) (2.1393)
##
 425

## Inov 0.0028 0.0482**

-0.7106 -0.0293 1.1479
## (0.1671) (0.0241)
(1.9695)
##
## -------------------------------------------------------------------
------------------------------------------------------------
## Observations 550 256
99 109 829
## R2 0.0779 0.0509
0.2069 0.0540 0.0283
## Adjusted R2 0.0170 -0.0477
0.0522 -0.1351 -0.0302
## F Statistic 4.3500*** (df = 10; 515) 1.2381 (df = 10; 231) 2.1393*
* (df = 10; 82) 0.5142 (df = 10; 90) 2.2714** (df = 10; 781)
## ===================================================================
============================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios

estatrobustos <-list(sqrt(diag(vcovHC(regrf1, type = "HC1"))),

sqrt(diag(vcovHC(regrf2, type = "HC1"))),
sqrt(diag(vcovHC(regrf3, type = "HC1"))),
sqrt(diag(vcovHC(regrf5, type = "HC1"))),
sqrt(diag(vcovHC(regrf6, type = "HC1"))),
sqrt(diag(vcovHC(regrf7, type = "HC1"))),
sqrt(diag(vcovHC(regrf8, type = "HC1"))),
sqrt(diag(vcovHC(regrf9, type = "HC1"))),
sqrt(diag(vcovHC(regrf10, type = "HC1"))))

titulo<-paste("CFROIC"," ", "Efeitos Aleatorios")

stargazer(regrf1,regrf2, regrf3,regrf5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,2,3,5)])
##
 426

## CFROIC Efeitos Aleatorios

## ===================================================================
======
## Dependent variable:
## ------------------------------------------------------
------
## vard
## Consumo Descricionario Consumo Padrao Energia Indus
trial
## (1) (2) (3) (
4)
## -------------------------------------------------------------------
------
## EfOp -0.0079 -0.0985*** -0.0473 17.
8434
## (0.0213) (0.0323) (0.0810) (14.
4231)
##
## LIQ 0.0179 0.1403*** -0.0505 1.9
642
## (0.0157) (0.0495) (0.0487) (1.6
322)
##
## End 0.0093 -0.2683*** -0.5499* -3.
2239
## (0.1689) (0.0920) (0.2935) (6.5
883)
##
## Imob 0.0881 0.0569 -1.2914* -0.
2090
## (0.2492) (0.1612) (0.7381) (6.2
609)
##
## Lnativo 0.0448 0.0203 0.0287 0.7
766
## (0.0316) (0.0167) (0.0578) (1.1
224)
##
## PIB -6.1584 -3.7893 0.4781 186.
2492
## (8.7520) (4.2145) (5.5958) (147.
4986)
##
 427

## IPCA 0.0505 0.0111 -0.0206 0.2

427
## (0.1094) (0.0351) (0.0799) (0.9
281)
##
## LFT 10.3409 -2.4333 -1.5778 -81.
4594
## (9.7657) (1.9224) (4.3869) (100.
9899)
##
## Covid -0.3690 -0.0059 -0.2010 0.2
502
## (0.2398) (0.0241) (0.1479) (1.1
340)
##
## Inov -0.1100 -0.0080 0.0655 -0.
7605
## (0.1082) (0.0310) (0.2941) (1.8
887)
##
## Constant -0.8605 -0.2770 0.3539 -34.
8109
## (0.7232) (0.4454) (1.2407) (27.
4328)
##
## -------------------------------------------------------------------
------
## Observations 1,155 475 199 7
62
## R2 0.0243 0.0416 0.1924 0.1
825
## Adjusted R2 0.0157 0.0210 0.1495 0.1
716
## F Statistic 28.4821*** 20.7583** 45.3676*** 167.6
125***
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
stargazer(regrf6,regrf7,regrf8,regrf9, regrf10,
digits = 4,
type="text",
se = estatrobustos,
 428

title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROIC Efeitos Aleatorios
## ===================================================================
================
## Dependent variable:
## ------------------------------------------------------
----------------
## vard
## Materiais Basicos Saude Tecnologia Telecomunicac
oes Utilidades
## (1) (2) (3) (4)
(5)
## -------------------------------------------------------------------
----------------
## EfOp -0.0591*** 0.0013 -0.3941*** -0.2641
0.2374***
## (0.0213) (0.0323) (0.0810) (14.4231)
(0.0330)
##
## LIQ 0.0597*** -0.1194** 0.0485 0.0489
-0.1367***
## (0.0157) (0.0495) (0.0487) (1.6322)
(0.0271)
##
## End -0.1474 -0.7983*** 1.1405*** -0.1461
10.4660***
## (0.1689) (0.0920) (0.2935) (6.5883)
(0.0555)
##
## Imob 0.0585 -0.9769*** -3.8226*** -0.2275
-16.5784***
## (0.2492) (0.1612) (0.7381) (6.2609)
(0.1555)
##
## Lnativo 0.0066 -0.0623*** -0.0493 -0.0062
-2.8328***
## (0.0316) (0.0167) (0.0578) (1.1224)
(0.0047)
##
## PIB -2.9185 21.7791*** -42.3033*** 12.0085
-255.6458***
 429

## (8.7520) (4.2145) (5.5958) (147.4986)

(3.0888)
##
## IPCA 0.0156 -0.0436 0.3669*** -0.0667
-2.4126***
## (0.1094) (0.0351) (0.0799) (0.9281)
(0.0177)
##
## LFT -4.9397 -8.5494*** -23.0016*** -11.5121
-54.0668***
## (9.7657) (1.9224) (4.3869) (100.9899)
(3.4413)
##
## Covid 0.0268 0.0722*** -0.4018*** -0.0779
1.3654***
## (0.2398) (0.0241) (0.1479) (1.1340)
(0.0147)
##
## Inov 0.0007 -0.0333 -0.4546 0.0035
0.1966***
## (0.1082) (0.0310) (0.2941) (1.8887)
(0.0164)
##
## Constant -0.0322 2.0739*** 1.9201 0.6701
72.4824***
## (0.7232) (0.4454) (1.2407) (27.4328)
(0.0951)
##
## -------------------------------------------------------------------
----------------
## Observations 550 256 99 109
829
## R2 0.0871 0.0619 0.1518 0.1701
0.0350
## Adjusted R2 0.0701 0.0236 0.0554 0.0854
0.0232
## F Statistic 51.2160*** 16.0295* 15.5994 20.0810**
28.6472***
## ===================================================================
================
## Note: *p<0.1; **p
<0.05; ***p<0.01
 430

Regressão BTM – Setor

####Pacotes Usados ###

library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
 431

##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.csv", header = T,sep = ";"
,dec = ".",quote = "\""))
 432

base$Empresa<-as.factor(base$Empresa)#transformo os caracteres em fato

res (n?meros)
painel<-pdata.frame(base,
index=c("Empresa","Data"),
drop.index=TRUE,
row.names =TRUE)

names(painel)

summary(painel)

painel$Setor<-as.factor(painel$Setor)
Painel<-painel

nivel<-levels(painel$Setor)
###################################Consumo Descriionario#########
i=1
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Descricionario"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa
 433

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp1<-regp
regef1<-(regfe)
regrf1<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BTM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BTM Consumo Descricionario
## ===================================================================
===========
## Dependent variable:
## ------------------------------------------------------
-----------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
-----------
## EfOp -0.0635** -0.0275
-0.0296
## (0.0311) (0.0303)
(0.0274)
 434

##
## LIQ -0.0083 -0.2595
-0.1323
## (0.0226) (0.2061)
(0.1064)
##
## End -1.9173*** -1.2253*
-1.2431**
## (0.6146) (0.7015)
(0.6212)
##
## Imob 0.8208 0.0826
0.3367
## (0.6380) (1.1494)
(0.8610)
##
## Lnativo 0.0808 -0.5001*
-0.3225
## (0.1194) (0.2643)
(0.2425)
##
## PIB 5.2189 10.9817
7.5161
## (11.3133) (7.8174)
(9.3064)
##
## IPCA -0.2314*** -0.2211***
-0.2324***
## (0.0441) (0.0388)
(0.0382)
##
## LFT -59.1735*** -63.5246***
-61.1796***
## (13.2371) (16.1515)
(14.4324)
##
## Covid 0.0550 0.0862
0.0291
## (0.1140) (0.1115)
(0.1181)
##
## Inov 0.0206 -0.2299
-0.1608
 435

## (0.2942) (0.1972)
(0.1928)
##
## Constant 0.2891
9.2087*
## (2.5178)
(5.4634)
##
## -------------------------------------------------------------------
-----------
## Observations 1,155 1,155
1,155
## R2 0.1021 0.1977
0.1621
## Adjusted R2 0.0942 0.1459
0.1548
## F Statistic 13.0049*** (df = 10; 1144) 26.7130*** (df = 10; 1084)
210.6461***
## ===================================================================
===========
## Note: *p<0.1; **p<0.05
; ***p<0.01
###################################Consumo Padrao#########
i=2
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Padrao"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa
 436

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp2<-regp
regef2<-(regfe)
regrf2<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BTM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BTM Consumo Padrao
## ===================================================================
=======
## Dependent variable:
## ------------------------------------------------------
-------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
-------
## EfOp -0.2667 -0.1867 -0
.1743
## (0.2147) (0.1404) (0
.1277)
 437

##
## LIQ -0.0412 0.0899 0
.0675
## (0.3195) (0.1371) (0
.1457)
##
## End -3.2860*** -1.3447 -1
.6725
## (0.5802) (1.3559) (1
.1633)
##
## Imob 1.1406 -0.0181 0
.1460
## (0.7060) (1.0051) (0
.9190)
##
## Lnativo 0.0074 -0.3748 -0
.1734
## (0.0856) (0.3742) (0
.1824)
##
## PIB -2.4452 1.2564 -0
.5756
## (8.3793) (7.5810) (7
.1027)
##
## IPCA -0.1665*** -0.1199*** -0.
1383***
## (0.0516) (0.0337) (0
.0410)
##
## LFT -5.8324 -9.0139 -9
.4153
## (11.2650) (12.0120) (11
.5186)
##
## Covid 0.0395 0.0952 0
.0246
## (0.1157) (0.1322) (0
.1333)
##
## Inov 0.1252 0.1150 0
.1697
 438

## (0.3414) (0.2741) (0
.3030)
##
## Constant 2.0117 5
.7084
## (1.8044) (4
.0276)
##
## -------------------------------------------------------------------
-------
## Observations 475 475
475
## R2 0.3920 0.1044 0
.1138
## Adjusted R2 0.3789 0.0330 0
.0947
## F Statistic 29.9172*** (df = 10; 464) 5.1174*** (df = 10; 439) 57.
1560***
## ===================================================================
=======
## Note: *p<0.1; **p<0.05; **
*p<0.01
###################################Energia#########
i=3
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Energia"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa
 439

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp3<-regp
regef3<-(regfe)
regrf3<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BTM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BTM Energia
## ===================================================================
=====
## Dependent variable:
## ------------------------------------------------------
-----
## vard
## Pooled FE R
E
## (1) (2) (3
)
## -------------------------------------------------------------------
-----
## EfOp -0.3412** -0.1752* -0.1
893*
 440

## (0.1728) (0.0972) (0.1

004)
##
## LIQ 0.0699 0.0206 0.0
324
## (0.0510) (0.0218) (0.0
271)
##
## End 1.0818 0.7142 0.6
955
## (1.0563) (0.6852) (0.6
826)
##
## Imob 0.5228 -0.1059 0.1
604
## (0.3838) (0.7308) (0.3
610)
##
## Lnativo -0.0256 0.0070 -0.0
508
## (0.1295) (0.3653) (0.2
052)
##
## PIB 19.5278* 7.6227 8.9
528
## (10.5773) (7.5494) (8.8
885)
##
## IPCA 0.0076 -0.0485 -0.0
382
## (0.0668) (0.0491) (0.0
524)
##
## LFT -24.0524 -25.7889 -25.
5558
## (17.9716) (20.3347) (18.5
414)
##
## Covid 0.0295 -0.0939 -0.0
620
## (0.1008) (0.0789) (0.0
671)
##
 441

## Inov -0.7310 -0.6

995
## (0.5064) (0.6
589)
##
## Constant 1.2422 2.2
795
## (3.0024) (4.6
079)
##
## -------------------------------------------------------------------
-----
## Observations 199 199 19
9
## R2 0.3261 0.1121 0.1
750
## Adjusted R2 0.2902 0.0179 0.1
311
## F Statistic 9.0968*** (df = 10; 188) 2.5112*** (df = 9; 179) 29.70
85***
## ===================================================================
=====
## Note: *p<0.1; **p<0.05; ***p
<0.01
###################################Imobiliario#########
i=4
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Imobiliario"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa
 442

#regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Co

vid+ Inov,data=painel, model="random", random.method="walhus")#modelo
efeito aleat?rio para empresa
#Error in solve.default(crossprod(Z)) :
#Lapack routine dgesv: system is exactly singular: U[10,10] = 0

regp4<-regp
regef4<-(regfe)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))))

titulo<-paste("BTM"," ", nivel[i])

stargazer(regp, regfe,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
##
## BTM Imobiliario
## ==============================================================
## Dependent variable:
## -------------------------------------------------
## vard
## Pooled FE
## (1) (2)
## --------------------------------------------------------------
## EfOp -0.0318** -0.0016
## (0.0136) (0.0036)
##
## LIQ 0.0298 0.0077
## (0.0429) (0.0244)
##
 443

## End -0.9412* 0.2258

## (0.4815) (0.4208)
##
## Imob -0.5675 15.4875
## (0.7953) (11.5417)
##
## Lnativo -0.0172 -0.1744
## (0.0831) (0.2131)
##
## PIB -6.4780 -5.3602
## (4.9701) (4.0655)
##
## IPCA -0.1524*** -0.1499***
## (0.0442) (0.0401)
##
## LFT -27.9032*** -27.9963***
## (6.5177) (6.7869)
##
## Covid -0.0202 -0.0056
## (0.0790) (0.0605)
##
## Constant 1.5734
## (1.9188)
##
## --------------------------------------------------------------
## Observations 510 510
## R2 0.1808 0.2320
## Adjusted R2 0.1660 0.1753
## F Statistic 12.2608*** (df = 9; 500) 15.9103*** (df = 9; 474)
## ==============================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Industrial#########
i=5
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Industrial"
 444

painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp5<-regp
regef5<-(regfe)
regrf5<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BTM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BTM Industrial
## ===================================================================
=========
 445

## Dependent variable:
## ------------------------------------------------------
---------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
---------
## EfOp -0.5124*** -0.1694
-0.2061
## (0.1814) (0.1378) (
0.1454)
##
## LIQ 0.2044*** -0.1148
-0.1015
## (0.0529) (0.1485) (
0.1169)
##
## End -0.1150 0.9362
0.5711
## (0.5517) (1.6059) (
1.3219)
##
## Imob 0.0305 0.4131
0.2894
## (0.3471) (1.1724) (
0.7455)
##
## Lnativo -0.1905* -0.6593*
-0.2816
## (0.1091) (0.3422) (
0.1771)
##
## PIB 25.1951 25.9085*
22.7262
## (18.3926) (14.4934) (
14.6936)
##
## IPCA -0.1613*** -0.1015*** -0
.1357***
## (0.0424) (0.0314) (
0.0332)
 446

##
## LFT -34.0582*** -35.6096*** -3
8.2932***
## (12.2099) (11.4156) (
11.9705)
##
## Covid 0.1695 0.4361**
0.2799*
## (0.1396) (0.2051) (
0.1611)
##
## Inov 1.1680 -0.2393
0.1702
## (0.8217) (0.1729) (
0.2829)
##
## Constant 5.4021**
7.2059*
## (2.3870) (
3.7239)
##
## -------------------------------------------------------------------
---------
## Observations 762 762
762
## R2 0.1817 0.1701
0.1375
## Adjusted R2 0.1709 0.1067
0.1260
## F Statistic 16.6809*** (df = 10; 751) 14.4930*** (df = 10; 707) 10
5.8757***
## ===================================================================
=========
## Note: *p<0.1; **p<0.05;
***p<0.01
###################################Materiais Basicos#########
i=6
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Materiais Basicos"
painel$vard<-painel$BtM
names (painel)
 447

## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P

rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp6<-regp
regef6<-(regfe)
regrf6<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BTM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BTM Materiais Basicos
## ===================================================================
=========
## Dependent variable:
## ------------------------------------------------------
---------
 448

## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
---------
## EfOp -0.5477*** -0.2002*** -0
.2137***
## (0.1104) (0.0756) (
0.0739)
##
## LIQ 0.1838*** 0.1072** 0
.1010**
## (0.0395) (0.0541) (
0.0446)
##
## End -0.4245*** -0.3444
-0.2838
## (0.1527) (0.2633) (
0.2181)
##
## Imob -0.0990 0.3700
0.0267
## (0.2294) (0.4801) (
0.3241)
##
## Lnativo -0.0115 0.1303
0.0183
## (0.0255) (0.1246) (
0.0316)
##
## PIB 17.4250*** 16.6443*** 17
.5811***
## (5.5927) (4.6161) (
5.1081)
##
## IPCA 0.0079 -0.0011
0.0026
## (0.0147) (0.0147) (
0.0131)
##
## LFT -19.1700*** -23.0208*** -2
2.1065***
 449

## (4.0301) (3.4347) (
3.4811)
##
## Covid 0.1025* 0.1065** 0
.1236***
## (0.0565) (0.0536) (
0.0476)
##
## Inov 0.0381 -0.2137** -
0.1907**
## (0.1199) (0.0959) (
0.0837)
##
## Constant 1.3363***
0.4503
## (0.5023) (
0.6716)
##
## -------------------------------------------------------------------
---------
## Observations 550 550
550
## R2 0.4376 0.4269
0.4268
## Adjusted R2 0.4271 0.3890
0.4162
## F Statistic 41.9343*** (df = 10; 539) 38.3550*** (df = 10; 515) 37
8.5107***
## ===================================================================
=========
## Note: *p<0.1; **p<0.05;
***p<0.01
###################################Saude#########
i=7
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Saude"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
 450

## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P

IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp7<-regp
regef7<-(regfe)
regrf7<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BTM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BTM Saude
## ===================================================================
========
## Dependent variable:
## ------------------------------------------------------
--------
## vard
 451

## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
--------
## EfOp -0.0010 -0.0074*** -0.
0058***
## (0.0031) (0.0023) (0
.0022)
##
## LIQ 0.3236** -0.1163 -
0.0692
## (0.1596) (0.1779) (0
.1793)
##
## End -3.4126** 1.1399 0
.1836
## (1.5754) (1.0836) (1
.2304)
##
## Imob 2.6350 1.9005 0
.8859
## (2.5605) (3.6987) (3
.3123)
##
## Lnativo 0.2216 -1.6088*** -0
.4559**
## (0.1932) (0.2484) (0
.2215)
##
## PIB 15.2106 18.8722** 1
6.3907
## (18.4408) (7.8226) (1
1.2245)
##
## IPCA -0.3230*** -0.3028*** -0.
3749***
## (0.1253) (0.0947) (0
.0975)
##
## LFT -88.2801*** -34.5197** -57
.1911***
 452

## (34.1782) (15.1611) (2
0.3609)
##
## Covid -0.1727 0.0714 -
0.2987
## (0.2179) (0.2363) (0
.1931)
##
## Inov 0.2685 1.1270*** 0.
4960**
## (0.2625) (0.2430) (0
.2332)
##
## Constant -1.9667 12
.4135**
## (4.2446) (5
.0255)
##
## -------------------------------------------------------------------
--------
## Observations 256 256
256
## R2 0.2360 0.4382 0
.2786
## Adjusted R2 0.2048 0.3798 0
.2491
## F Statistic 7.5680*** (df = 10; 245) 18.0165*** (df = 10; 231) 83.
7630***
## ===================================================================
========
## Note: *p<0.1; **p<0.05; *
**p<0.01
###################################Tecnologia#########
i=8
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Tecnologia"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
 453

## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P

IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp8<-regp
regef8<-(regfe)
regrf8<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BTM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BTM Tecnologia
## ===================================================================
======
## Dependent variable:
## ------------------------------------------------------
------
## vard
 454

## Pooled FE R
E
## (1) (2) (
3)
## -------------------------------------------------------------------
------
## EfOp -0.9387 -0.9235 -0.
7965
## (1.9253) (1.1518) (1.4
435)
##
## LIQ 0.1274 -0.1637** -0.1
822**
## (0.1450) (0.0758) (0.0
810)
##
## End -9.0663* -3.9733 0.9
887
## (5.0942) (5.5049) (5.4
781)
##
## Imob -10.6951 -6.9195 -19.
0394
## (22.0969) (11.6937) (15.
6226)
##
## Lnativo -0.7941 -4.9826** -2.
6048
## (0.9871) (2.0913) (1.7
320)
##
## PIB -99.8221 48.1948 -28.
0007
## (98.3157) (55.9171) (44.
7925)
##
## IPCA -0.5565 0.1896 -0.
0326
## (0.4093) (0.1351) (0.1
899)
##
## LFT -239.9965 -90.5060 -209.
1442**
 455

## (150.6724) (65.4848) (102.

4333)
##
## Covid 0.1907 2.8138*** 1.30
31**
## (0.4249) (1.0708) (0.5
444)
##
## Inov 0.3748 -0.8759 -0.
1912
## (1.0929) (0.6559) (0.6
287)
##
## Constant 25.0107 59.
5943
## (26.3466) (39.
0203)
##
## -------------------------------------------------------------------
------
## Observations 99 99 9
9
## R2 0.3179 0.6159 0.4
405
## Adjusted R2 0.2404 0.5409 0.3
769
## F Statistic 4.1009*** (df = 10; 88) 13.1479*** (df = 10; 82) 67.09
98***
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
###################################Telecomunicacoes#########
i=9
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Telecomunicacoes"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
 456

## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P

IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp9<-regp
regef9<-(regfe)
regrf9<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BtM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BtM Telecomunicacoes
## ===================================================================
======
## Dependent variable:
## ------------------------------------------------------
------
## vard
 457

## Pooled FE
RE
## (1) (2) (
3)
## -------------------------------------------------------------------
------
## EfOp -0.4718 0.2364 0.
2302
## (0.3350) (0.3807) (0.
3725)
##
## LIQ -0.0023 -0.1015*** -0.0
809***
## (0.0457) (0.0042) (0.
0132)
##
## End -1.4528** 1.0830** 0.
5649
## (0.7182) (0.4776) (0.
8343)
##
## Imob 0.8127 -0.1544 -0.
0770
## (1.0083) (0.6054) (0.
8315)
##
## Lnativo -0.3061*** -1.4280*** -0.4
169***
## (0.1022) (0.1546) (0.
1189)
##
## PIB 40.2755** 19.0437*** 28.6
174***
## (16.2410) (6.2367) (11.
0978)
##
## IPCA -0.2813*** -0.0231 -0.1
474**
## (0.0964) (0.0464) (0.
0644)
##
## LFT -50.0424* -54.7604* -63.
7917**
 458

## (26.3867) (29.1344) (29.

3239)
##
## Covid -0.3260 -0.1272 -0.3
195**
## (0.2232) (0.1085) (0.
1472)
##
## Inov 0.0389 -0.2845* -0.
0968
## (0.2002) (0.1626) (0.
2221)
##
## Constant 9.0708*** 10.8
483***
## (2.5860) (2.
8703)
##
## -------------------------------------------------------------------
------
## Observations 109 109 1
09
## R2 0.6158 0.6135 0.
5307
## Adjusted R2 0.5765 0.5362 0.
4829
## F Statistic 15.7046*** (df = 10; 98) 14.2870*** (df = 10; 90) 92.1
849***
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
###################################Utilidades#########
i=10
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Utilidades"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
 459

## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P

IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp10<-regp
regef10<-(regfe)
regrf10<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BTM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BTM Utilidades
## ===================================================================
=========
## Dependent variable:
## ------------------------------------------------------
---------
## vard
 460

## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
---------
## EfOp -0.2456*** -0.0541* -
0.0595*
## (0.0758) (0.0324) (
0.0327)
##
## LIQ 0.0118 0.0163** 0
.0167**
## (0.0450) (0.0081) (
0.0078)
##
## End 0.5789 -0.2649
-0.2512
## (0.6090) (0.3437) (
0.3270)
##
## Imob 0.2936 0.2568
0.2855
## (0.4725) (0.4289) (
0.3702)
##
## Lnativo -0.3206*** -0.3966*** -0
.3636***
## (0.1243) (0.1390) (
0.1048)
##
## PIB 3.7521 4.5275
4.2414
## (3.7806) (3.9890) (
3.8414)
##
## IPCA -0.0283 -0.0186
-0.0207
## (0.0240) (0.0258) (
0.0258)
##
## LFT -16.7675*** -15.8059*** -1
5.6642***
 461

## (4.1793) (3.7635) (
3.6387)
##
## Covid 0.1702** 0.2155** 0
.2067**
## (0.0688) (0.0854) (
0.0809)
##
## Inov 0.0059 -0.1829** -
0.1740**
## (0.0913) (0.0725) (
0.0703)
##
## Constant 8.2095*** 9
.3114***
## (2.9532) (
2.4265)
##
## -------------------------------------------------------------------
---------
## Observations 829 829
829
## R2 0.2481 0.1516
0.1616
## Adjusted R2 0.2389 0.1005
0.1514
## F Statistic 26.9868*** (df = 10; 818) 13.9521*** (df = 10; 781) 15
3.3490***
## ===================================================================
=========
## Note: *p<0.1; **p<0.05;
***p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))),
sqrt(diag(vcovHC(regp5, type = "HC1"))),
sqrt(diag(vcovHC(regp6, type = "HC1"))),
sqrt(diag(vcovHC(regp7, type = "HC1"))),
sqrt(diag(vcovHC(regp8, type = "HC1"))),
 462

sqrt(diag(vcovHC(regp9, type = "HC1"))),

sqrt(diag(vcovHC(regp10, type = "HC1"))))

titulo<-paste("BTM"," ", "Pooled")

stargazer(regp1,regp2, regp3,regp4,regp5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## BTM Pooled
## ===================================================================
======================================================================
====
##
Dependent variable:
## ------------------------------------------------------
----------------------------------------------------------------------
----
##
vard
## Consumo Descricionario Consumo Padrao
Energia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
----------------------------------------------------------------------
----
## EfOp -0.0635** -0.2667
-0.3412** -0.0318** -0.5124***
## (0.0311) (0.2147)
(0.1728) (0.0136) (0.1814)
##
## LIQ -0.0083 -0.0412
0.0699 0.0298 0.2044***
## (0.0226) (0.3195)
(0.0510) (0.0429) (0.0529)
##
## End -1.9173*** -3.2860***
1.0818 -0.9412* -0.1150
 463

## (0.6146) (0.5802)
(1.0563) (0.4815) (0.5517)
##
## Imob 0.8208 1.1406
0.5228 -0.5675 0.0305
## (0.6380) (0.7060)
(0.3838) (0.7953) (0.3471)
##
## Lnativo 0.0808 0.0074
-0.0256 -0.0172 -0.1905*
## (0.1194) (0.0856)
(0.1295) (0.0831) (0.1091)
##
## PIB 5.2189 -2.4452
19.5278* -6.4780 25.1951
## (11.3133) (8.3793)
(10.5773) (4.9701) (18.3926)
##
## IPCA -0.2314*** -0.1665***
0.0076 -0.1524*** -0.1613***
## (0.0441) (0.0516)
(0.0668) (0.0442) (0.0424)
##
## LFT -59.1735*** -5.8324
-24.0524 -27.9032*** -34.0582***
## (13.2371) (11.2650)
(17.9716) (6.5177) (12.2099)
##
## Covid 0.0550 0.0395
0.0295 -0.0202 0.1695
## (0.1140) (0.1157)
(0.1008) (0.0790) (0.1396)
##
## Inov 0.0206 0.1252
-0.7310 1.1680
## (0.2942) (0.3414)
(0.5064) (0.8217)
##
## Constant 0.2891 2.0117
1.2422 1.5734 5.4021**
## (2.5178) (1.8044)
(3.0024) (1.9188) (2.3870)
##
 464

## -------------------------------------------------------------------
----------------------------------------------------------------------
----
## Observations 1,155 475
199 510 762
## R2 0.1021 0.3920
0.3261 0.1808 0.1817
## Adjusted R2 0.0942 0.3789
0.2902 0.1660 0.1709
## F Statistic 13.0049*** (df = 10; 1144) 29.9172*** (df = 10; 464) 9
.0968*** (df = 10; 188) 12.2608*** (df = 9; 500) 16.6809*** (df = 10;
751)
## ===================================================================
======================================================================
====
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regp6,regp7,regp8,regp9, regp10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## BTM Pooled
## ===================================================================
======================================================================
=
## D
ependent variable:
## ------------------------------------------------------
----------------------------------------------------------------------
-
##
vard
## Materiais Basicos Saude
Tecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
----------------------------------------------------------------------
-
## EfOp -0.5477*** -0.0010
-0.9387*** -0.4718*** -0.2456
 465

## (0.0311) (0.2147)
(0.1728) (0.0136) (0.1814)
##
## LIQ 0.1838*** 0.3236
0.1274** -0.0023 0.0118
## (0.0226) (0.3195)
(0.0510) (0.0429) (0.0529)
##
## End -0.4245 -3.4126***
-9.0663*** -1.4528*** 0.5789
## (0.6146) (0.5802)
(1.0563) (0.4815) (0.5517)
##
## Imob -0.0990 2.6350***
-10.6951*** 0.8127 0.2936
## (0.6380) (0.7060)
(0.3838) (0.7953) (0.3471)
##
## Lnativo -0.0115 0.2216***
-0.7941*** -0.3061*** -0.3206***
## (0.1194) (0.0856)
(0.1295) (0.0831) (0.1091)
##
## PIB 17.4250 15.2106*
-99.8221*** 40.2755*** 3.7521
## (11.3133) (8.3793)
(10.5773) (4.9701) (18.3926)
##
## IPCA 0.0079 -0.3230***
-0.5565*** -0.2813*** -0.0283
## (0.0441) (0.0516)
(0.0668) (0.0442) (0.0424)
##
## LFT -19.1700 -88.2801***
-239.9965*** -50.0424*** -16.7675
## (13.2371) (11.2650)
(17.9716) (6.5177) (12.2099)
##
## Covid 0.1025 -0.1727
0.1907* -0.3260*** 0.1702
## (0.1140) (0.1157)
(0.1008) (0.0790) (0.1396)
##
 466

## Inov 0.0381 0.2685

0.3748 0.0389 0.0059
## (0.2942) (0.3414)
(0.5064) (0.8217)
##
## Constant 1.3363 -1.9667
25.0107*** 9.0708*** 8.2095***
## (2.5178) (1.8044)
(3.0024) (1.9188) (2.3870)
##
## -------------------------------------------------------------------
----------------------------------------------------------------------
-
## Observations 550 256
99 109 829
## R2 0.4376 0.2360
0.3179 0.6158 0.2481
## Adjusted R2 0.4271 0.2048
0.2404 0.5765 0.2389
## F Statistic 41.9343*** (df = 10; 539) 7.5680*** (df = 10; 245) 4.1
009*** (df = 10; 88) 15.7046*** (df = 10; 98) 26.9868*** (df = 10; 818
)
## ===================================================================
======================================================================
=
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))),
sqrt(diag(vcovHC(regef5, type = "HC1"))),
sqrt(diag(vcovHC(regef6, type = "HC1"))),
sqrt(diag(vcovHC(regef7, type = "HC1"))),
sqrt(diag(vcovHC(regef8, type = "HC1"))),
sqrt(diag(vcovHC(regef9, type = "HC1"))),
sqrt(diag(vcovHC(regef10, type = "HC1"))))

titulo<-paste("BTM"," ", "Efeitos Fixos")

stargazer(regef1,regef2, regef3,regef4,regef5,
 467

digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## BTM Efeitos Fixos
## ===================================================================
======================================================================
==
## D
ependent variable:
## ------------------------------------------------------
----------------------------------------------------------------------
--
##
vard
## Consumo Descricionario Consumo Padrao
Energia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
----------------------------------------------------------------------
--
## EfOp -0.0275 -0.1867
-0.1752* -0.0016 -0.1694
## (0.0303) (0.1404)
(0.0972) (0.0036) (0.1378)
##
## LIQ -0.2595 0.0899
0.0206 0.0077 -0.1148
## (0.2061) (0.1371)
(0.0218) (0.0244) (0.1485)
##
## End -1.2253* -1.3447
0.7142 0.2258 0.9362
## (0.7015) (1.3559)
(0.6852) (0.4208) (1.6059)
##
## Imob 0.0826 -0.0181
-0.1059 15.4875 0.4131
## (1.1494) (1.0051)
(0.7308) (11.5417) (1.1724)
##
 468

## Lnativo -0.5001* -0.3748

0.0070 -0.1744 -0.6593*
## (0.2643) (0.3742)
(0.3653) (0.2131) (0.3422)
##
## PIB 10.9817 1.2564
7.6227 -5.3602 25.9085*
## (7.8174) (7.5810)
(7.5494) (4.0655) (14.4934)
##
## IPCA -0.2211*** -0.1199***
-0.0485 -0.1499*** -0.1015***
## (0.0388) (0.0337)
(0.0491) (0.0401) (0.0314)
##
## LFT -63.5246*** -9.0139
-25.7889 -27.9963*** -35.6096***
## (16.1515) (12.0120)
(20.3347) (6.7869) (11.4156)
##
## Covid 0.0862 0.0952
-0.0939 -0.0056 0.4361**
## (0.1115) (0.1322)
(0.0789) (0.0605) (0.2051)
##
## Inov -0.2299 0.1150
-0.2393
## (0.1972) (0.2741)
(0.1729)
##
## -------------------------------------------------------------------
----------------------------------------------------------------------
--
## Observations 1,155 475
199 510 762
## R2 0.1977 0.1044
0.1121 0.2320 0.1701
## Adjusted R2 0.1459 0.0330
0.0179 0.1753 0.1067
## F Statistic 26.7130*** (df = 10; 1084) 5.1174*** (df = 10; 439) 2.
5112*** (df = 9; 179) 15.9103*** (df = 9; 474) 14.4930*** (df = 10; 70
7)
## ===================================================================
======================================================================
==
 469

## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regef6,regef7,regef8,regef9, regef10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## BTM Efeitos Fixos
## ===================================================================
======================================================================
===
##
Dependent variable:
## ------------------------------------------------------
----------------------------------------------------------------------
---
##
vard
## Materiais Basicos Saude
Tecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
----------------------------------------------------------------------
---
## EfOp -0.2002*** -0.0074
-0.9235*** 0.2364*** -0.0541
## (0.0303) (0.1404)
(0.0972) (0.0036) (0.1378)
##
## LIQ 0.1072 -0.1163
-0.1637*** -0.1015*** 0.0163
## (0.2061) (0.1371)
(0.0218) (0.0244) (0.1485)
##
## End -0.3444 1.1399
-3.9733*** 1.0830** -0.2649
## (0.7015) (1.3559)
(0.6852) (0.4208) (1.6059)
##
## Imob 0.3700 1.9005*
-6.9195*** -0.1544 0.2568
 470

## (1.1494) (1.0051)
(0.7308) (11.5417) (1.1724)
##
## Lnativo 0.1303 -1.6088***
-4.9826*** -1.4280*** -0.3966
## (0.2643) (0.3742)
(0.3653) (0.2131) (0.3422)
##
## PIB 16.6443** 18.8722**
48.1948*** 19.0437*** 4.5275
## (7.8174) (7.5810)
(7.5494) (4.0655) (14.4934)
##
## IPCA -0.0011 -0.3028***
0.1896*** -0.0231 -0.0186
## (0.0388) (0.0337)
(0.0491) (0.0401) (0.0314)
##
## LFT -23.0208 -34.5197***
-90.5060*** -54.7604*** -15.8059
## (16.1515) (12.0120)
(20.3347) (6.7869) (11.4156)
##
## Covid 0.1065 0.0714
2.8138*** -0.1272** 0.2155
## (0.1115) (0.1322)
(0.0789) (0.0605) (0.2051)
##
## Inov -0.2137 1.1270***
-0.8759 -0.2845 -0.1829
## (0.1972) (0.2741)
(0.1729)
##
## -------------------------------------------------------------------
----------------------------------------------------------------------
---
## Observations 550 256
99 109 829
## R2 0.4269 0.4382
0.6159 0.6135 0.1516
## Adjusted R2 0.3890 0.3798
0.5409 0.5362 0.1005
## F Statistic 38.3550*** (df = 10; 515) 18.0165*** (df = 10; 231) 13
.1479*** (df = 10; 82) 14.2870*** (df = 10; 90) 13.9521*** (df = 10; 7
81)
 471

## ===================================================================
======================================================================
===
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios

estatrobustos <-list(sqrt(diag(vcovHC(regrf1, type = "HC1"))),

sqrt(diag(vcovHC(regrf2, type = "HC1"))),
sqrt(diag(vcovHC(regrf3, type = "HC1"))),
sqrt(diag(vcovHC(regrf5, type = "HC1"))),
sqrt(diag(vcovHC(regrf6, type = "HC1"))),
sqrt(diag(vcovHC(regrf7, type = "HC1"))),
sqrt(diag(vcovHC(regrf8, type = "HC1"))),
sqrt(diag(vcovHC(regrf9, type = "HC1"))),
sqrt(diag(vcovHC(regrf10, type = "HC1"))))

titulo<-paste("BTM"," ", "Efeitos Aleatorios")

stargazer(regrf1,regrf2, regrf3,regrf5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,2,3,5)])
##
## BTM Efeitos Aleatorios
## ===================================================================
======
## Dependent variable:
## ------------------------------------------------------
------
## vard
## Consumo Descricionario Consumo Padrao Energia Indus
trial
## (1) (2) (3) (
4)
## -------------------------------------------------------------------
------
 472

## EfOp -0.0296 -0.1743 -0.1893* -0.

2061
## (0.0274) (0.1277) (0.1004) (0.1
454)
##
## LIQ -0.1323 0.0675 0.0324 -0.
1015
## (0.1064) (0.1457) (0.0271) (0.1
169)
##
## End -1.2431** -1.6725 0.6955 0.5
711
## (0.6212) (1.1633) (0.6826) (1.3
219)
##
## Imob 0.3367 0.1460 0.1604 0.2
894
## (0.8610) (0.9190) (0.3610) (0.7
455)
##
## Lnativo -0.3225 -0.1734 -0.0508 -0.
2816
## (0.2425) (0.1824) (0.2052) (0.1
771)
##
## PIB 7.5161 -0.5756 8.9528 22.
7262
## (9.3064) (7.1027) (8.8885) (14.
6936)
##
## IPCA -0.2324*** -0.1383*** -0.0382 -0.13
57***
## (0.0382) (0.0410) (0.0524) (0.0
332)
##
## LFT -61.1796*** -9.4153 -25.5558 -38.2
932***
## (14.4324) (11.5186) (18.5414) (11.
9705)
##
## Covid 0.0291 0.0246 -0.0620 0.2
799*
## (0.1181) (0.1333) (0.0671) (0.1
611)
 473

##
## Inov -0.1608 0.1697 -0.6995 0.1
702
## (0.1928) (0.3030) (0.6589) (0.2
829)
##
## Constant 9.2087* 5.7084 2.2795 7.2
059*
## (5.4634) (4.0276) (4.6079) (3.7
239)
##
## -------------------------------------------------------------------
------
## Observations 1,155 475 199 7
62
## R2 0.1621 0.1138 0.1750 0.1
375
## Adjusted R2 0.1548 0.0947 0.1311 0.1
260
## F Statistic 210.6461*** 57.1560*** 29.7085*** 105.8
757***
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
stargazer(regrf6,regrf7,regrf8,regrf9, regrf10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## BTM Efeitos Aleatorios
## ===================================================================
=================
## Dependent variable:
## ------------------------------------------------------
-----------------
## vard
## Materiais Basicos Saude Tecnologia Telecomunic
acoes Utilidades
## (1) (2) (3) (4)
(5)
 474

## -------------------------------------------------------------------
-----------------
## EfOp -0.2137*** -0.0058 -0.7965*** 0.2302
-0.0595
## (0.0274) (0.1277) (0.1004) (0.1454
) (0.0739)
##
## LIQ 0.1010 -0.0692 -0.1822*** -0.0809
0.0167
## (0.1064) (0.1457) (0.0271) (0.1169
) (0.0446)
##
## End -0.2838 0.1836 0.9887 0.5649
-0.2512
## (0.6212) (1.1633) (0.6826) (1.3219
) (0.2181)
##
## Imob 0.0267 0.8859 -19.0394*** -0.0770
0.2855
## (0.8610) (0.9190) (0.3610) (0.7455
) (0.3241)
##
## Lnativo 0.0183 -0.4559** -2.6048*** -0.4169*
* -0.3636***
## (0.2425) (0.1824) (0.2052) (0.1771
) (0.0316)
##
## PIB 17.5811* 16.3907** -28.0007*** 28.6174
* 4.2414
## (9.3064) (7.1027) (8.8885) (14.6936
) (5.1081)
##
## IPCA 0.0026 -0.3749*** -0.0326 -0.1474*
** -0.0207
## (0.0382) (0.0410) (0.0524) (0.0332
) (0.0131)
##
## LFT -22.1065 -57.1911*** -209.1442*** -63.7917*
** -15.6642***
## (14.4324) (11.5186) (18.5414) (11.9705
) (3.4811)
##
## Covid 0.1236 -0.2987** 1.3031*** -0.3195*
* 0.2067***
 475

## (0.1181) (0.1333) (0.0671) (0.1611

) (0.0476)
##
## Inov -0.1907 0.4960 -0.1912 -0.0968
-0.1740**
## (0.1928) (0.3030) (0.6589) (0.2829
) (0.0837)
##
## Constant 0.4503 12.4135*** 59.5943*** 10.8483*
** 9.3114***
## (5.4634) (4.0276) (4.6079) (3.7239
) (0.6716)
##
## -------------------------------------------------------------------
-----------------
## Observations 550 256 99 109
829
## R2 0.4268 0.2786 0.4405 0.5307
0.1616
## Adjusted R2 0.4162 0.2491 0.3769 0.4829
0.1514
## F Statistic 378.5107*** 83.7630*** 67.0998*** 92.1849*
** 153.3490***
## ===================================================================
=================
## Note: *p<0.1; **
p<0.05; ***p<0.01
 476

Regressão PL – Setor

####Pacotes Usados ###

library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
 477

## Please cite as:

## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.csv", header = T,sep = ";"
,dec = ".",quote = "\""))

base$Empresa<-as.factor(base$Empresa)#transformo os caracteres em fato

res (n?meros)
painel<-pdata.frame(base,
index=c("Empresa","Data"),
drop.index=TRUE,
row.names =TRUE)

names(painel)

summary(painel)

painel$Setor<-as.factor(painel$Setor)
Painel<-painel

nivel<-levels(painel$Setor)
###################################Consumo Descriionario#########
i=1
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Descricionario"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
 478

## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P

IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp1<-regp
regef1<-(regfe)
regrf1<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PRLC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PRLC Consumo Descricionario
## ===================================================================
========
## Dependent variable:
## ------------------------------------------------------
--------
## vard
 479

## Pooled FE
RE
## (1) (2) (
3)
## -------------------------------------------------------------------
--------
## EfOp -5.1999 -5.3142 -5.
4908
## (3.6331) (3.5561) (3.
4217)
##
## LIQ 3.1812* 10.6573* 3.6
808**
## (1.7015) (6.1027) (1.
4854)
##
## End -101.4943 -2.9887 -63
.8688
## (98.5079) (151.3955) (104
.2932)
##
## Imob 126.8865* 207.7594 140.
9528**
## (65.4420) (222.2706) (70.
0218)
##
## Lnativo 28.2555** 11.6745 26.3
741**
## (11.4520) (33.6109) (11.
5266)
##
## PIB 2,543.5960 3,114.8280 2,63
8.3270
## (3,561.2240) (3,772.5620) (3,57
6.6870)
##
## IPCA -0.9993 -0.9186 -1.
4945
## (21.5348) (21.9153) (21.
4199)
##
## LFT -4,372.8860*** -3,735.3590*** -4,183
.4470***
 480

## (1,466.6420) (1,401.5030) (1,44

3.6330)
##
## Covid -23.8893 -27.1597 -26
.6333
## (32.9653) (31.5504) (33.
2598)
##
## Inov -4.5622 -50.2267* -15
.2896
## (38.9133) (29.9303) (35.
1938)
##
## Constant -531.0096** -501.
5266**
## (227.4652) (228
.0465)
##
## -------------------------------------------------------------------
--------
## Observations 1,155 1,155 1,
155
## R2 0.0189 0.0064 0.
0124
## Adjusted R2 0.0103 -0.0577 0.
0037
## F Statistic 2.2028** (df = 10; 1144) 0.7009 (df = 10; 1084) 14.
1582
## ===================================================================
========
## Note: *p<0.1; **p<0.05; *
**p<0.01
###################################Consumo Padrao#########
i=2
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Padrao"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
 481

## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P

IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp2<-regp
regef2<-(regfe)
regrf2<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PRLC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PRLC Consumo Padrao
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
 482

## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
----
## EfOp -49.0859 -34.9748 -49.70
68
## (63.1416) (50.3022) (63.333
4)
##
## LIQ -75.4515** -79.5260* -74.995
0**
## (36.3762) (46.2730) (36.262
1)
##
## End -310.0838*** -359.1105 -310.327
5***
## (110.4204) (322.7845) (110.55
98)
##
## Imob 113.2209 -501.2392 111.23
33
## (148.3356) (324.6795) (148.79
08)
##
## Lnativo 23.5692** 84.9553 23.5633
**
## (11.7888) (92.2574) (11.799
8)
##
## PIB -4,169.6840* -4,676.9660* -4,174.9
610*
## (2,403.8880) (2,507.5020) (2,403.1
160)
##
## IPCA -11.0637 -17.4554 -11.06
08
## (25.7465) (31.7622) (25.742
7)
##
## LFT 9,840.1450* 8,244.3700* 9,827.19
80*
## (5,288.7430) (4,436.6590) (5,285.5
880)
 483

##
## Covid 51.2750 27.0114 51.137
2
## (36.4772) (59.6595) (36.454
7)
##
## Inov 18.3038 -6.2405 18.277
6
## (52.5027) (32.9218) (52.350
4)
##
## Constant -387.9663 -386.58
63
## (291.2163) (291.60
10)
##
## -------------------------------------------------------------------
----
## Observations 475 475 475
## R2 0.0463 0.0239 0.045
6
## Adjusted R2 0.0257 -0.0539 0.025
1
## F Statistic 2.2522** (df = 10; 464) 1.0742 (df = 10; 439) 22.1862
**
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################Energia#########
i=3
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Energia"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
 484

regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid

+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp3<-regp
regef3<-(regfe)
regrf3<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PRLC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PRLC Energia
## ===================================================================
=====
## Dependent variable:
## ------------------------------------------------------
-----
## vard
## Pooled FE RE
## (1) (2) (3)
 485

## -------------------------------------------------------------------
-----
## EfOp -19.9155 -5.7254 -6.92
66
## (25.2409) (16.1857) (19.62
22)
##
## LIQ 12.4837 17.5174** 16.725
5**
## (7.9530) (8.3658) (6.60
50)
##
## End 300.8955 -327.9663 36.30
27
## (273.3026) (205.5394) (241.8
600)
##
## Imob 26.7994 -193.5338 21.95
48
## (63.5757) (135.2506) (67.08
94)
##
## Lnativo -6.5917 168.8909*** 20.99
29
## (23.9569) (45.0942) (29.04
19)
##
## PIB -441.8291 -4,491.1050 -2,090.
1210
## (3,011.2150) (3,154.7960) (2,960.
6010)
##
## IPCA 39.3513 15.1356 31.59
20
## (47.9533) (38.2948) (43.91
07)
##
## LFT 7,839.0120* 2,058.5170 5,942.9
520*
## (4,179.4040) (1,759.5430) (3,240.
7670)
##
## Covid 35.4577 -22.4142 22.75
53
 486

## (25.0801) (18.7182) (19.05

79)
##
## Inov -39.7678 -140.5
888
## (88.7163) (85.70
44)
##
## Constant 9.0498 -493.0
635
## (466.1402) (609.2
872)
##
## -------------------------------------------------------------------
-----
## Observations 199 199 199
## R2 0.0812 0.1176 0.06
03
## Adjusted R2 0.0323 0.0239 0.01
03
## F Statistic 1.6608* (df = 10; 188) 2.6495*** (df = 9; 179) 10.19
65
## ===================================================================
=====
## Note: *p<0.1; **p<0.05; ***p
<0.01
###################################Imobiliario#########
i=4
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Imobiliario"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
,data=painel, model="pooling")#modelo pooled
 487

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

#regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Co

vid+ Inov,data=painel, model="random", random.method="walhus")#modelo
efeito aleat?rio para empresa
#Error in solve.default(crossprod(Z)) :
#Lapack routine dgesv: system is exactly singular: U[10,10] = 0

regp4<-regp
regef4<-(regfe)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))))

titulo<-paste("PRLC"," ", nivel[i])

stargazer(regp, regfe,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
##
## PRLC Imobiliario
## ======================================================
## Dependent variable:
## -----------------------------------------
## vard
## Pooled FE
## (1) (2)
## ------------------------------------------------------
## EfOp -8.3694** -2.3944
## (3.9273) (1.6338)
##
## LIQ 12.8957 -15.4476
 488

## (8.3583) (21.1480)
##
## End 244.6211 521.5513
## (272.4229) (528.7736)
##
## Imob -350.2657 -241.1743
## (217.1141) (2,326.2670)
##
## Lnativo 2.2947 53.1425
## (11.6703) (68.0242)
##
## PIB -660.3624 -910.4194
## (1,655.2010) (2,275.2670)
##
## IPCA -47.2108* -42.8358*
## (27.6950) (25.3236)
##
## LFT 3,341.2850 608.4598
## (4,523.9360) (2,288.7640)
##
## Covid 10.2957 12.1592
## (13.7922) (14.4388)
##
## Constant -46.6774
## (205.2077)
##
## ------------------------------------------------------
## Observations 510 510
## R2 0.0098 0.0063
## Adjusted R2 -0.0080 -0.0671
## F Statistic 0.5486 (df = 9; 500) 0.3349 (df = 9; 474)
## ======================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Industrial#########
i=5
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
 489

print(nivel[i] )
## [1] "Industrial"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp5<-regp
regef5<-(regfe)
regrf5<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PRLC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PRLC Industrial
 490

## ===================================================================
========
## Dependent variable:
## ------------------------------------------------------
--------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
--------
## EfOp -64.1385** -56.8539** -61
.2944**
## (28.8888) (22.7173) (27
.1533)
##
## LIQ 34.4016* 33.2536 36
.7288*
## (20.0258) (24.5999) (19
.8407)
##
## End -3.8853 -40.0621 -3
3.4823
## (85.0778) (129.4290) (87
.5857)
##
## Imob -49.9857 -517.3550 -8
9.8995
## (49.9991) (519.7119) (99
.5394)
##
## Lnativo -0.6041 11.4489 6
.3381
## (10.0454) (48.5657) (9
.3739)
##
## PIB 3,186.2010 2,436.5960 3,1
17.7890
## (3,124.6040) (3,040.9000) (3,1
16.9850)
##
## IPCA -11.5283 -18.7844 -1
2.4342
 491

## (11.6492) (12.5681) (10

.9176)
##
## LFT -1,891.7130 -1,203.7910 -1,7
54.4300
## (1,790.0760) (1,395.1230) (1,6
77.9700)
##
## Covid -27.1047 -31.1282 -2
2.9677
## (23.1290) (42.2244) (23
.0445)
##
## Inov 2.4776 -68.6198 -3
3.3264
## (54.4847) (66.6630) (40
.0181)
##
## Constant 113.3484 -2
0.4879
## (204.5849) (19
9.5430)
##
## -------------------------------------------------------------------
--------
## Observations 762 762
762
## R2 0.0468 0.0565 0
.0449
## Adjusted R2 0.0341 -0.0156 0
.0322
## F Statistic 3.6852*** (df = 10; 751) 4.2299*** (df = 10; 707) 35.
1780***
## ===================================================================
========
## Note: *p<0.1; **p<0.05; *
**p<0.01
###################################Materiais Basicos#########
i=6
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Materiais Basicos"
 492

painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp6<-regp
regef6<-(regfe)
regrf6<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PRLC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PRLC Materiais Basicos
## ===================================================================
==
 493

## Dependent variable:
## ------------------------------------------------------
--
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
--
## EfOp -67.8977*** -64.2531** -67.9350**
*
## (26.1837) (25.8655) (25.5524)
##
## LIQ -1.9906 -9.5752 -3.6886
## (6.3085) (10.9997) (6.3754)
##
## End 20.7942 -22.0829 18.6790
## (26.6409) (44.6825) (26.1103)
##
## Imob 16.0007 108.5589 20.1841
## (36.1066) (99.8089) (36.4513)
##
## Lnativo -3.2872 15.7260 -2.6473
## (3.3041) (21.1263) (3.3744)
##
## PIB -2,024.2430 -2,121.3200 -2,019.699
0
## (1,404.7520) (1,430.4930) (1,397.709
0)
##
## IPCA 9.8001 8.9446 9.7185
## (11.7067) (11.8432) (11.7249)
##
## LFT -280.1435 -487.5297 -295.8096
## (834.2368) (831.5996) (834.1217
)
##
## Covid -13.9874 -12.0765 -13.5643
## (10.8952) (11.2258) (10.8489)
##
 494

## Inov 14.4693* -21.4080 8.5806

## (8.0027) (24.6781) (7.0604)
##
## Constant 159.9461* 146.7941*
## (82.7624) (83.3480)
##
## -------------------------------------------------------------------
--
## Observations 550 550 550
## R2 0.0235 0.0193 0.0200
## Adjusted R2 0.0054 -0.0454 0.0018
## F Statistic 1.2962 (df = 10; 539) 1.0157 (df = 10; 515) 11.1452
## ===================================================================
==
## Note: *p<0.1; **p<0.05; ***p<0.
01
###################################Saude#########
i=7
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Saude"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa
 495

regp7<-regp
regef7<-(regfe)
regrf7<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PRLC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PRLC Saude
## ===================================================================
===
## Dependent variable:
## ------------------------------------------------------
---
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
---
## EfOp -0.0833 0.3034 -0.0833
## (0.2590) (0.3451) (0.2590)
##
## LIQ 21.4168 -10.8099 21.4168
## (13.6300) (22.4758) (13.6300
)
##
## End -13.3257 -33.3756 -13.3257
## (148.2737) (159.1354) (148.2737
)
 496

##
## Imob -180.5970 -430.9388 -180.597
0
## (202.3367) (360.8793) (202.3367
)
##
## Lnativo 24.8815* -39.6823 24.8815*
## (13.7430) (60.5472) (13.7430
)
##
## PIB -2,656.7250 -3,677.2560 -2,656.72
50
## (10,100.1700) (10,536.7900) (10,100.17
00)
##
## IPCA -7.5727 -0.5327 -7.5727
## (27.5231) (32.3818) (27.5231
)
##
## LFT 187.8945 -1,332.2620 187.8945
## (4,275.1430) (1,319.2590) (4,275.143
0)
##
## Covid -4.2986 27.0023 -4.2986
## (52.5801) (67.5742) (52.5801
)
##
## Inov -52.3306 -267.2081*** -52.3306
## (48.4084) (58.0178) (48.4084
)
##
## Constant -402.4858 -402.485
8
## (265.7849) (265.7849
)
##
## -------------------------------------------------------------------
---
## Observations 256 256 256
## R2 0.0245 0.0250 0.0245
## Adjusted R2 -0.0153 -0.0763 -0.0153
 497

## F Statistic 0.6147 (df = 10; 245) 0.5927 (df = 10; 231) 6.1469
## ===================================================================
===
## Note: *p<0.1; **p<0.05; ***p<0
.01
###################################Tecnologia#########
i=8
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Tecnologia"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp8<-regp
regef8<-(regfe)
regrf8<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PRLC"," ", nivel[i])

 498

stargazer(regp, regfe, regre,

digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PRLC Tecnologia
## ===================================================================
=
## Dependent variable:
## ------------------------------------------------------
-
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
-
## EfOp -171.0393 -179.1309 -171.0393
## (196.3721) (187.7151) (196.3721)
##
## LIQ 1.9857 11.3450 1.9857
## (17.1950) (25.8480) (17.1950)
##
## End -111.3265 82.5502 -111.3265
## (412.7754) (580.9090) (412.7754)
##
## Imob -272.1799 -707.2360 -272.1799
## (703.1291) (1,103.0800) (703.1291)
##
## Lnativo 5.7559 -211.6548* 5.7559
## (40.9613) (124.4628) (40.9613)
##
## PIB -4,546.8110 -442.5091 -4,546.8110
## (4,293.6850) (2,930.4100) (4,293.6850)
##
## IPCA 57.6852 88.0898 57.6852
## (86.7809) (85.0159) (86.7809)
 499

##
## LFT -21,711.3700* -14,178.3200* -21,711.3700
*
## (12,603.4300) (7,612.5920) (12,603.4300
)
##
## Covid -69.0437 60.3353 -69.0437
## (73.1687) (102.6799) (73.1687)
##
## Inov -22.0843 -103.4699** -22.0843
## (71.8352) (44.4035) (71.8352)
##
## Constant 412.8139 412.8139
## (1,187.2000) (1,187.2000)
##
## -------------------------------------------------------------------
-
## Observations 99 99 99
## R2 0.0356 0.0447 0.0356
## Adjusted R2 -0.0740 -0.1416 -0.0740
## F Statistic 0.3251 (df = 10; 88) 0.3841 (df = 10; 82) 3.2510
## ===================================================================
=
## Note: *p<0.1; **p<0.05; ***p<0.0
1
###################################Telecomunicacoes#########
i=9
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Telecomunicacoes"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
 500

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp9<-regp
regef9<-(regfe)
regrf9<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PRLC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PRLC Telecomunicacoes
## ===================================================================
## Dependent variable:
## ------------------------------------------------------
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
## EfOp -115.9170*** -23.3145 -48.2453
## (31.0548) (53.9194) (36.6284)
##
 501

## LIQ 15.7165*** 20.3107*** 18.5999***

## (3.4549) (1.6724) (2.2352)
##
## End -37.6720 11.2711 1.3248
## (72.1832) (80.6490) (69.5798)
##
## Imob 276.9299 -95.7934 173.3773
## (202.0033) (103.6330) (166.4703)
##
## Lnativo -9.7423 40.5038 1.8622
## (12.8391) (70.8532) (11.5050)
##
## PIB -3,139.6300 -4,075.0150** -3,241.7240
## (3,113.2000) (1,863.4690) (2,613.2830)
##
## IPCA -21.3909 -21.4331 -14.6774
## (34.8816) (44.4856) (37.2261)
##
## LFT 2,692.9630 -1,116.5580 874.7103
## (2,760.0150) (2,633.1270) (2,815.0230)
##
## Covid 19.2639 8.1383 16.2975
## (35.1562) (30.9238) (35.3746)
##
## Inov 17.6270 10.2107 -13.2054
## (38.4228) (26.1893) (20.8786)
##
## Constant 302.1513 26.7168
## (275.9594) (234.9110)
##
## -------------------------------------------------------------------
## Observations 109 109 109
## R2 0.1275 0.0981 0.1093
## Adjusted R2 0.0385 -0.0822 0.0184
## F Statistic 1.4321 (df = 10; 98) 0.9794 (df = 10; 90) 10.2422
## ===================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
 502

###################################Utilidades#########
i=10
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Utilidades"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp10<-regp
regef10<-(regfe)
regrf10<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PRLC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
 503

title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PRLC Utilidades
## ===================================================================
=======
## Dependent variable:
## ------------------------------------------------------
-------
## vard
## Pooled FE R
E
## (1) (2) (
3)
## -------------------------------------------------------------------
-------
## EfOp -2.1695 27.3447 4.8
866
## (33.0605) (45.9387) (30.
2741)
##
## LIQ 20.6636 28.7925 23.
8786
## (22.8141) (32.0699) (27.
9113)
##
## End 162.4359 -1,397.7870 -463
.9562
## (258.1263) (1,336.3200) (896.
1388)
##
## Imob -32.8147 -345.5400 -80.
8889
## (109.5270) (471.7910) (157.
7505)
##
## Lnativo -45.7164 -63.6424 -62.
8753
## (32.3160) (63.4869) (58.
6648)
##
## PIB -9,151.1360 -10,036.0300 -9,31
3.4310
 504

## (10,506.3500) (10,958.0000) (10,86

5.5500)
##
## IPCA -47.6240 -20.1262 -34.
4359
## (40.8535) (24.8606) (32.
0376)
##
## LFT -9,767.9930* -3,737.0990 -6,996
.3020*
## (5,732.9480) (2,298.0030) (3,577
.3410)
##
## Covid 34.8914 92.2082 57.
8837
## (87.9616) (68.1137) (64.
8254)
##
## Inov 56.9172 -194.1171 -62.
3707
## (50.4153) (190.0536) (113.
0402)
##
## Constant 1,186.4170 1,736
.8880
## (780.6901) (1,342
.5300)
##
## -------------------------------------------------------------------
-------
## Observations 829 829 8
29
## R2 0.0207 0.0485 0.0
236
## Adjusted R2 0.0087 -0.0088 0.0
117
## F Statistic 1.7300* (df = 10; 818) 3.9772*** (df = 10; 781) 20.0
063**
## ===================================================================
=======
## Note: *p<0.1; **p<0.05; **
*p<0.01
#####Tabela Resumo #####
#Pooled
 505

estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),

sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))),
sqrt(diag(vcovHC(regp5, type = "HC1"))),
sqrt(diag(vcovHC(regp6, type = "HC1"))),
sqrt(diag(vcovHC(regp7, type = "HC1"))),
sqrt(diag(vcovHC(regp8, type = "HC1"))),
sqrt(diag(vcovHC(regp9, type = "HC1"))),
sqrt(diag(vcovHC(regp10, type = "HC1"))))

titulo<-paste("PRLC"," ", "Pooled")

stargazer(regp1,regp2, regp3,regp4,regp5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## PRLC Pooled
## ===================================================================
===============================================================
## Depen
dent variable:
## ------------------------------------------------------
---------------------------------------------------------------
##
vard
## Consumo Descricionario Consumo Padrao
Energia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
---------------------------------------------------------------
## EfOp -5.1999 -49.0859
-19.9155 -8.3694** -64.1385**
## (3.6331) (63.1416)
(25.2409) (3.9273) (28.8888)
##
 506

## LIQ 3.1812* -75.4515**

12.4837 12.8957 34.4016*
## (1.7015) (36.3762)
(7.9530) (8.3583) (20.0258)
##
## End -101.4943 -310.0838***
300.8955 244.6211 -3.8853
## (98.5079) (110.4204)
(273.3026) (272.4229) (85.0778)
##
## Imob 126.8865* 113.2209
26.7994 -350.2657 -49.9857
## (65.4420) (148.3356)
(63.5757) (217.1141) (49.9991)
##
## Lnativo 28.2555** 23.5692**
-6.5917 2.2947 -0.6041
## (11.4520) (11.7888)
(23.9569) (11.6703) (10.0454)
##
## PIB 2,543.5960 -4,169.6840*
-441.8291 -660.3624 3,186.2010
## (3,561.2240) (2,403.8880)
(3,011.2150) (1,655.2010) (3,124.6040)
##
## IPCA -0.9993 -11.0637
39.3513 -47.2108* -11.5283
## (21.5348) (25.7465)
(47.9533) (27.6950) (11.6492)
##
## LFT -4,372.8860*** 9,840.1450*
7,839.0120* 3,341.2850 -1,891.7130
## (1,466.6420) (5,288.7430)
(4,179.4040) (4,523.9360) (1,790.0760)
##
## Covid -23.8893 51.2750
35.4577 10.2957 -27.1047
## (32.9653) (36.4772)
(25.0801) (13.7922) (23.1290)
##
## Inov -4.5622 18.3038
-39.7678 2.4776
## (38.9133) (52.5027)
(88.7163) (54.4847)
 507

##
## Constant -531.0096** -387.9663
9.0498 -46.6774 113.3484
## (227.4652) (291.2163)
(466.1402) (205.2077) (204.5849)
##
## -------------------------------------------------------------------
---------------------------------------------------------------
## Observations 1,155 475
199 510 762
## R2 0.0189 0.0463
0.0812 0.0098 0.0468
## Adjusted R2 0.0103 0.0257
0.0323 -0.0080 0.0341
## F Statistic 2.2028** (df = 10; 1144) 2.2522** (df = 10; 464) 1.660
8* (df = 10; 188) 0.5486 (df = 9; 500) 3.6852*** (df = 10; 751)
## ===================================================================
===============================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regp6,regp7,regp8,regp9, regp10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## PRLC Pooled
## ===================================================================
======================================================
## Dependent
variable:
## ------------------------------------------------------
------------------------------------------------------
## va
rd
## Materiais Basicos Saude Tecno
logia Telecomunicacoes Utilidades
## (1) (2) (3
) (4) (5)
## -------------------------------------------------------------------
------------------------------------------------------
 508

## EfOp -67.8977*** -0.0833 -171.0

393*** -115.9170*** -2.1695
## (3.6331) (63.1416) (25.2
409) (3.9273) (28.8888)
##
## LIQ -1.9906 21.4168 1.9
857 15.7165* 20.6636
## (1.7015) (36.3762) (7.9
530) (8.3583) (20.0258)
##
## End 20.7942 -13.3257 -111.
3265 -37.6720 162.4359*
## (98.5079) (110.4204) (273.
3026) (272.4229) (85.0778)
##
## Imob 16.0007 -180.5970 -272.1
799*** 276.9299 -32.8147
## (65.4420) (148.3356) (63.5
757) (217.1141) (49.9991)
##
## Lnativo -3.2872 24.8815** 5.7
559 -9.7423 -45.7164***
## (11.4520) (11.7888) (23.9
569) (11.6703) (10.0454)
##
## PIB -2,024.2430 -2,656.7250 -4,546
.8110 -3,139.6300* -9,151.1360***
## (3,561.2240) (2,403.8880) (3,011
.2150) (1,655.2010) (3,124.6040)
##
## IPCA 9.8001 -7.5727 57.6
852 -21.3909 -47.6240***
## (21.5348) (25.7465) (47.9
533) (27.6950) (11.6492)
##
## LFT -280.1435 187.8945 -21,711.
3700*** 2,692.9630 -9,767.9930***
## (1,466.6420) (5,288.7430) (4,179
.4040) (4,523.9360) (1,790.0760)
##
## Covid -13.9874 -4.2986 -69.04
37*** 19.2639 34.8914
## (32.9653) (36.4772) (25.0
801) (13.7922) (23.1290)
 509

##
## Inov 14.4693 -52.3306 -22.
0843 17.6270 56.9172
## (38.9133) (52.5027) (88.7
163) (54.4847)
##
## Constant 159.9461 -402.4858 412.
8139 302.1513 1,186.4170***
## (227.4652) (291.2163) (466.
1402) (205.2077) (204.5849)
##
## -------------------------------------------------------------------
------------------------------------------------------
## Observations 550 256 9
9 109 829
## R2 0.0235 0.0245 0.0
356 0.1275 0.0207
## Adjusted R2 0.0054 -0.0153 -0.0
740 0.0385 0.0087
## F Statistic 1.2962 (df = 10; 539) 0.6147 (df = 10; 245) 0.3251 (df
= 10; 88) 1.4321 (df = 10; 98) 1.7300* (df = 10; 818)
## ===================================================================
======================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))),
sqrt(diag(vcovHC(regef5, type = "HC1"))),
sqrt(diag(vcovHC(regef6, type = "HC1"))),
sqrt(diag(vcovHC(regef7, type = "HC1"))),
sqrt(diag(vcovHC(regef8, type = "HC1"))),
sqrt(diag(vcovHC(regef9, type = "HC1"))),
sqrt(diag(vcovHC(regef10, type = "HC1"))))

titulo<-paste("PRLC"," ", "Efeitos Fixos")

stargazer(regef1,regef2, regef3,regef4,regef5,
digits = 4,
 510

type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## PRLC Efeitos Fixos
## ===================================================================
============================================================
## Depende
nt variable:
## ------------------------------------------------------
------------------------------------------------------------
##
vard
## Consumo Descricionario Consumo Padrao E
nergia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
------------------------------------------------------------
## EfOp -5.3142 -34.9748 -
5.7254 -2.3944 -56.8539**
## (3.5561) (50.3022) (1
6.1857) (1.6338) (22.7173)
##
## LIQ 10.6573* -79.5260* 17
.5174** -15.4476 33.2536
## (6.1027) (46.2730) (8
.3658) (21.1480) (24.5999)
##
## End -2.9887 -359.1105 -3
27.9663 521.5513 -40.0621
## (151.3955) (322.7845) (20
5.5394) (528.7736) (129.4290)
##
## Imob 207.7594 -501.2392 -1
93.5338 -241.1743 -517.3550
## (222.2706) (324.6795) (13
5.2506) (2,326.2670) (519.7119)
##
## Lnativo 11.6745 84.9553 168
.8909*** 53.1425 11.4489
 511

## (33.6109) (92.2574) (4
5.0942) (68.0242) (48.5657)
##
## PIB 3,114.8280 -4,676.9660* -4,
491.1050 -910.4194 2,436.5960
## (3,772.5620) (2,507.5020) (3,1
54.7960) (2,275.2670) (3,040.9000)
##
## IPCA -0.9186 -17.4554 1
5.1356 -42.8358* -18.7844
## (21.9153) (31.7622) (3
8.2948) (25.3236) (12.5681)
##
## LFT -3,735.3590*** 8,244.3700* 2,0
58.5170 608.4598 -1,203.7910
## (1,401.5030) (4,436.6590) (1,7
59.5430) (2,288.7640) (1,395.1230)
##
## Covid -27.1597 27.0114 -2
2.4142 12.1592 -31.1282
## (31.5504) (59.6595) (1
8.7182) (14.4388) (42.2244)
##
## Inov -50.2267* -6.2405
-68.6198
## (29.9303) (32.9218)
(66.6630)
##
## -------------------------------------------------------------------
------------------------------------------------------------
## Observations 1,155 475
199 510 762
## R2 0.0064 0.0239 0
.1176 0.0063 0.0565
## Adjusted R2 -0.0577 -0.0539 0
.0239 -0.0671 -0.0156
## F Statistic 0.7009 (df = 10; 1084) 1.0742 (df = 10; 439) 2.6495***
(df = 9; 179) 0.3349 (df = 9; 474) 4.2299*** (df = 10; 707)
## ===================================================================
============================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regef6,regef7,regef8,regef9, regef10,
digits = 4,
 512

type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## PRLC Efeitos Fixos
## ===================================================================
========================================================
## Dependent
variable:
## ------------------------------------------------------
--------------------------------------------------------
## v
ard
## Materiais Basicos Saude Tecno
logia Telecomunicacoes Utilidades
## (1) (2) (3
) (4) (5)
## -------------------------------------------------------------------
--------------------------------------------------------
## EfOp -64.2531*** 0.3034 -179.1
309*** -23.3145*** 27.3447
## (3.5561) (50.3022) (16.1
857) (1.6338) (22.7173)
##
## LIQ -9.5752 -10.8099 11.3
450 20.3107 28.7925
## (6.1027) (46.2730) (8.3
658) (21.1480) (24.5999)
##
## End -22.0829 -33.3756 82.5
502 11.2711 -1,397.7870***
## (151.3955) (322.7845) (205.
5394) (528.7736) (129.4290)
##
## Imob 108.5589 -430.9388 -707.2
360*** -95.7934 -345.5400
## (222.2706) (324.6795) (135.
2506) (2,326.2670) (519.7119)
##
## Lnativo 15.7260 -39.6823 -211.6
548*** 40.5038 -63.6424
 513

## (33.6109) (92.2574) (45.0

942) (68.0242) (48.5657)
##
## PIB -2,121.3200 -3,677.2560 -442.
5091 -4,075.0150* -10,036.0300***
## (3,772.5620) (2,507.5020) (3,154
.7960) (2,275.2670) (3,040.9000)
##
## IPCA 8.9446 -0.5327 88.08
98** -21.4331 -20.1262
## (21.9153) (31.7622) (38.2
948) (25.3236) (12.5681)
##
## LFT -487.5297 -1,332.2620 -14,178.
3200*** -1,116.5580 -3,737.0990***
## (1,401.5030) (4,436.6590) (1,759
.5430) (2,288.7640) (1,395.1230)
##
## Covid -12.0765 27.0023 60.33
53*** 8.1383 92.2082**
## (31.5504) (59.6595) (18.7
182) (14.4388) (42.2244)
##
## Inov -21.4080 -267.2081*** -103.
4699 10.2107 -194.1171***
## (29.9303) (32.9218)
(66.6630)
##
## -------------------------------------------------------------------
--------------------------------------------------------
## Observations 550 256 9
9 109 829
## R2 0.0193 0.0250 0.0
447 0.0981 0.0485
## Adjusted R2 -0.0454 -0.0763 -0.1
416 -0.0822 -0.0088
## F Statistic 1.0157 (df = 10; 515) 0.5927 (df = 10; 231) 0.3841 (df
= 10; 82) 0.9794 (df = 10; 90) 3.9772*** (df = 10; 781)
## ===================================================================
========================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios
 514

estatrobustos <-list(sqrt(diag(vcovHC(regrf1, type = "HC1"))),

sqrt(diag(vcovHC(regrf2, type = "HC1"))),
sqrt(diag(vcovHC(regrf3, type = "HC1"))),
sqrt(diag(vcovHC(regrf5, type = "HC1"))),
sqrt(diag(vcovHC(regrf6, type = "HC1"))),
sqrt(diag(vcovHC(regrf7, type = "HC1"))),
sqrt(diag(vcovHC(regrf8, type = "HC1"))),
sqrt(diag(vcovHC(regrf9, type = "HC1"))),
sqrt(diag(vcovHC(regrf10, type = "HC1"))))

titulo<-paste("PRLC"," ", "Efeitos Aleatorios")

stargazer(regrf1,regrf2, regrf3,regrf5,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,2,3,5)])
##
## PRLC Efeitos Aleatorios
## ===================================================================
=========
## Dependent variable:
## ------------------------------------------------------
---------
## vard
## Consumo Descricionario Consumo Padrao Energia In
dustrial
## (1) (2) (3)
(4)
## -------------------------------------------------------------------
---------
## EfOp -5.4908 -49.7068 -6.9266 -6
1.2944**
## (3.4217) (63.3334) (19.6222) (2
7.1533)
##
## LIQ 3.6808** -74.9950** 16.7255** 3
6.7288*
 515

## (1.4854) (36.2621) (6.6050) (1

9.8407)
##
## End -63.8688 -310.3275*** 36.3027 -
33.4823
## (104.2932) (110.5598) (241.8600) (8
7.5857)
##
## Imob 140.9528** 111.2333 21.9548 -
89.8995
## (70.0218) (148.7908) (67.0894) (9
9.5394)
##
## Lnativo 26.3741** 23.5633** 20.9929
6.3381
## (11.5266) (11.7998) (29.0419) (
9.3739)
##
## PIB 2,638.3270 -4,174.9610* -2,090.1210 3,
117.7890
## (3,576.6870) (2,403.1160) (2,960.6010) (3,
116.9850)
##
## IPCA -1.4945 -11.0608 31.5920 -
12.4342
## (21.4199) (25.7427) (43.9107) (1
0.9176)
##
## LFT -4,183.4470*** 9,827.1980* 5,942.9520* -1,
754.4300
## (1,443.6330) (5,285.5880) (3,240.7670) (1,
677.9700)
##
## Covid -26.6333 51.1372 22.7553 -
22.9677
## (33.2598) (36.4547) (19.0579) (2
3.0445)
##
## Inov -15.2896 18.2776 -140.5888 -
33.3264
## (35.1938) (52.3504) (85.7044) (4
0.0181)
##
 516

## Constant -501.5266** -386.5863 -493.0635 -

20.4879
## (228.0465) (291.6010) (609.2872) (1
99.5430)
##
## -------------------------------------------------------------------
---------
## Observations 1,155 475 199
762
## R2 0.0124 0.0456 0.0603
0.0449
## Adjusted R2 0.0037 0.0251 0.0103
0.0322
## F Statistic 14.1582 22.1862** 10.1965 35
.1780***
## ===================================================================
=========
## Note: *p<0.1; **p<0.05;
***p<0.01
stargazer(regrf6,regrf7,regrf8,regrf9, regrf10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## PRLC Efeitos Aleatorios
## ===================================================================
========================
## Dependent variable:
## ------------------------------------------------------
------------------------
## vard
## Materiais Basicos Saude Tecnologia Telecom
unicacoes Utilidades
## (1) (2) (3) (
4) (5)
## -------------------------------------------------------------------
------------------------
## EfOp -67.9350*** -0.0833 -171.0393*** -48.
2453* 4.8866
## (3.4217) (63.3334) (19.6222) (27.
1533) (25.5524)
 517

##
## LIQ -3.6886** 21.4168 1.9857 18.
5999 23.8786***
## (1.4854) (36.2621) (6.6050) (19.
8407) (6.3754)
##
## End 18.6790 -13.3257 -111.3265 1.
3248 -463.9562***
## (104.2932) (110.5598) (241.8600) (87.
5857) (26.1103)
##
## Imob 20.1841 -180.5970 -272.1799*** 173.
3773* -80.8889**
## (70.0218) (148.7908) (67.0894) (99.
5394) (36.4513)
##
## Lnativo -2.6473 24.8815** 5.7559 1.
8622 -62.8753***
## (11.5266) (11.7998) (29.0419) (9.
3739) (3.3744)
##
## PIB -2,019.6990 -2,656.7250 -4,546.8110 -3,24
1.7240 -9,313.4310***
## (3,576.6870) (2,403.1160) (2,960.6010) (3,11
6.9850) (1,397.7090)
##
## IPCA 9.7185 -7.5727 57.6852 -14
.6774 -34.4359***
## (21.4199) (25.7427) (43.9107) (10.
9176) (11.7249)
##
## LFT -295.8096 187.8945 -21,711.3700*** 874
.7103 -6,996.3020***
## (1,443.6330) (5,285.5880) (3,240.7670) (1,67
7.9700) (834.1217)
##
## Covid -13.5643 -4.2986 -69.0437*** 16.
2975 57.8837***
## (33.2598) (36.4547) (19.0579) (23.
0445) (10.8489)
##
## Inov 8.5806 -52.3306 -22.0843 -13
.2054 -62.3707***
 518

## (35.1938) (52.3504) (85.7044) (40.

0181) (7.0604)
##
## Constant 146.7941 -402.4858 412.8139 26.
7168 1,736.8880***
## (228.0465) (291.6010) (609.2872) (199
.5430) (83.3480)
##
## -------------------------------------------------------------------
------------------------
## Observations 550 256 99 1
09 829
## R2 0.0200 0.0245 0.0356 0.
1093 0.0236
## Adjusted R2 0.0018 -0.0153 -0.0740 0.
0184 0.0117
## F Statistic 11.1452 6.1469 3.2510 10.
2422 20.0063**
## ===================================================================
========================
## Note: *p<
0.1; **p<0.05; ***p<0.01

Regressão NGC – CFROA

####Pacotes Usados ###

 519

library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
 520

## R package version 5.2.3. https://CRAN.R-project.org/package=starga

zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.xlsx.csv", header = T,sep
= ";",dec = ".",quote = "\""))

base$Empresa<-as.factor(base$Empresa)#transformo os caracteres em fato

res (n?meros)
painel<-pdata.frame(base,
index=c("Empresa","Data"),
drop.index=TRUE,
row.names =TRUE)

names(painel)

summary(painel)

painel$NGC<-as.factor(painel$NGC)
Painel<-painel

nivel<-levels(painel$NGC)
###################################Basico#########
i=1
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Basico"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
 521

regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid

+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp1<-regp
regef1<-(regfe)
regrf1<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA Basico
## ===================================================================
=======
## Dependent variable:
## ------------------------------------------------------
-------
## vard
## Pooled FE
RE
## (1) (2)
(3)
 522

## -------------------------------------------------------------------
-------
## EfOp -0.0014 -0.0011 -0
.0013
## (0.0010) (0.0012) (0
.0012)
##
## LIQ -0.0002 -0.0001 -0
.0002
## (0.0005) (0.0025) (0
.0008)
##
## End -0.0246* -0.0313 -0
.0289*
## (0.0139) (0.0377) (0
.0165)
##
## Imob 0.0017 -0.0923* -0
.0006
## (0.0122) (0.0560) (0
.0131)
##
## Lnativo 0.0028* -0.0052 0
.0030
## (0.0016) (0.0161) (0
.0019)
##
## PIB -1.3882*** -1.4630*** -1.
3898***
## (0.4746) (0.4813) (0
.4698)
##
## IPCA 0.0016 0.0015 0
.0016
## (0.0034) (0.0034) (0
.0033)
##
## LFT -0.4900 -0.2574 -0
.4421
## (0.3575) (0.3589) (0
.3551)
##
## Covid 0.0063* 0.0048 0
.0056
 523

## (0.0037) (0.0042) (0
.0037)
##
## Inov 0.0056 0.0158*** 0
.0021
## (0.0095) (0.0042) (0
.0107)
##
## Constant -0.0276 -0
.0291
## (0.0339) (0
.0386)
##
## -------------------------------------------------------------------
-------
## Observations 1,049 1,049 1
,049
## R2 0.0406 0.0286 0
.0262
## Adjusted R2 0.0314 -0.0314 0
.0168
## F Statistic 4.3938*** (df = 10; 1038) 2.9072*** (df = 10; 987) 28.
5601***
## ===================================================================
=======
## Note: *p<0.1; **p<0.05; **
*p<0.01
###################################BovespaMais1e2#########
i=2
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "BovespaMais1e2"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
 524

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regp2<-regp
regef2<-(regfe)
regrf2<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
##
## CFROA BovespaMais1e2
## =======================================================
## Dependent variable:
## ------------------------------------------
## vard
## Pooled FE
## (1) (2)
## -------------------------------------------------------
## EfOp 0.00003 -0.00001
## (0.00005) (0.00004)
##
## LIQ -0.0080 0.0159***
## (0.0054) (0.0014)
##
 525

## End -0.2036*** -0.0555

## (0.0544) (0.0373)
##
## Imob 0.0984 0.1346**
## (0.0687) (0.0532)
##
## Lnativo 0.0077 -0.0051
## (0.0073) (0.0148)
##
## PIB -0.5603 -0.1035
## (1.1265) (0.7972)
##
## IPCA -0.0034 -0.0050
## (0.0088) (0.0092)
##
## LFT 0.0059 -0.0268
## (0.6174) (0.9170)
##
## Covid 0.0128*** 0.0127
## (0.0043) (0.0087)
##
## Constant -0.1322
## (0.1296)
##
## -------------------------------------------------------
## Observations 78 78
## R2 0.5300 0.0694
## Adjusted R2 0.4678 -0.1024
## F Statistic 8.5202*** (df = 9; 68) 0.5388 (df = 9; 65)
## =======================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Nivel1e2#########
i=3
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Nivel1e2"
 526

painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp3<-regp
regef3<-(regfe)
regrf3<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA Nivel1e2
## ===================================================================
=====
 527

## Dependent variable:
## ------------------------------------------------------
-----
## vard
## Pooled FE R
E
## (1) (2) (3
)
## -------------------------------------------------------------------
-----
## EfOp -0.0064** -0.0003 -0.0
047*
## (0.0031) (0.0021) (0.0
025)
##
## LIQ 0.0050* -0.0015 0.0
030
## (0.0029) (0.0040) (0.0
031)
##
## End -0.0325** -0.0545*** -0.03
52**
## (0.0129) (0.0198) (0.0
146)
##
## Imob 0.0175*** -0.0183 0.0
124
## (0.0065) (0.0118) (0.0
077)
##
## Lnativo 0.0007 -0.0037 0.0
012
## (0.0012) (0.0081) (0.0
015)
##
## PIB 0.0500 -0.2449 -0.0
419
## (0.4232) (0.3832) (0.4
009)
##
## IPCA 0.0012 0.0004 0.0
010
## (0.0022) (0.0023) (0.0
022)
 528

##
## LFT -0.3310 -0.3809 -0.3
551
## (0.3913) (0.3886) (0.3
934)
##
## Covid 0.0049 0.0058 0.0
050
## (0.0033) (0.0036) (0.0
033)
##
## Inov 0.0061* 0.0006 0.0
037
## (0.0037) (0.0055) (0.0
037)
##
## Constant 0.0051 -0.0
018
## (0.0283) (0.0
338)
##
## -------------------------------------------------------------------
-----
## Observations 642 642 64
2
## R2 0.0716 0.0347 0.0
451
## Adjusted R2 0.0568 -0.0261 0.0
300
## F Statistic 4.8628*** (df = 10; 631) 2.1704** (df = 10; 603) 26.81
93***
## ===================================================================
=====
## Note: *p<0.1; **p<0.05; ***p
<0.01
###################################Novo Mercado #########
i=4
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "NovoMeracdo"
painel$vard<-painel$CFROA
names (painel)
 529

## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L

IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp4<-regp
regef4<-(regfe)
regrf4<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROA"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROA NovoMeracdo
## ===================================================================
========
## Dependent variable:
## ------------------------------------------------------
--------
 530

## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
--------
## EfOp -0.0022** -0.0004 -
0.0007
## (0.0009) (0.0004) (
0.0005)
##
## LIQ 0.0002 0.0011 -
0.00004
## (0.0010) (0.0010) (
0.0006)
##
## End -0.0218** -0.0203** -0
.0217***
## (0.0094) (0.0095) (
0.0079)
##
## Imob 0.0146 0.0304** 0
.0195**
## (0.0089) (0.0150) (
0.0077)
##
## Lnativo 0.0018* -0.0029
0.0020
## (0.0010) (0.0028) (
0.0013)
##
## PIB -0.4752** -0.2413 -
0.3433*
## (0.2094) (0.1869) (
0.1925)
##
## IPCA -0.0012 -0.0001 -
0.0007
## (0.0014) (0.0014) (
0.0014)
##
## LFT -0.2614* -0.1862 -0
.2593**
 531

## (0.1387) (0.1367) (
0.1295)
##
## Covid -0.0039** -0.0011 -
0.0033*
## (0.0018) (0.0021) (
0.0017)
##
## Inov 0.0020 -0.0003
0.0004
## (0.0040) (0.0035) (
0.0029)
##
## Constant -0.0140 -
0.0252
## (0.0219) (
0.0283)
##
## -------------------------------------------------------------------
--------
## Observations 3,175 3,175
3,175
## R2 0.0256 0.0082
0.0081
## Adjusted R2 0.0225 -0.0543
0.0049
## F Statistic 8.3109*** (df = 10; 3164) 2.4593*** (df = 10; 2986) 35
.0788***
## ===================================================================
========
## Note: *p<0.1; **p<0.05; *
**p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))))

titulo<-paste("CFROA"," ", "Pooled")

stargazer(regp1,regp2, regp3,regp4,
 532

digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## CFROA Pooled
## ===================================================================
=============================================
## Dependent vari
able:
## ------------------------------------------------------
---------------------------------------------
## vard
## Basico BovespaMais1e2
Nivel1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
---------------------------------------------
## EfOp -0.0014 0.00003
-0.0064** -0.0022**
## (0.0010) (0.00005)
(0.0031) (0.0009)
##
## LIQ -0.0002 -0.0080
0.0050* 0.0002
## (0.0005) (0.0054)
(0.0029) (0.0010)
##
## End -0.0246* -0.2036***
-0.0325** -0.0218**
## (0.0139) (0.0544)
(0.0129) (0.0094)
##
## Imob 0.0017 0.0984
0.0175*** 0.0146
## (0.0122) (0.0687)
(0.0065) (0.0089)
##
## Lnativo 0.0028* 0.0077
0.0007 0.0018*
 533

## (0.0016) (0.0073)
(0.0012) (0.0010)
##
## PIB -1.3882*** -0.5603
0.0500 -0.4752**
## (0.4746) (1.1265)
(0.4232) (0.2094)
##
## IPCA 0.0016 -0.0034
0.0012 -0.0012
## (0.0034) (0.0088)
(0.0022) (0.0014)
##
## LFT -0.4900 0.0059
-0.3310 -0.2614*
## (0.3575) (0.6174)
(0.3913) (0.1387)
##
## Covid 0.0063* 0.0128***
0.0049 -0.0039**
## (0.0037) (0.0043)
(0.0033) (0.0018)
##
## Inov 0.0056
0.0061* 0.0020
## (0.0095)
(0.0037) (0.0040)
##
## Constant -0.0276 -0.1322
0.0051 -0.0140
## (0.0339) (0.1296)
(0.0283) (0.0219)
##
## -------------------------------------------------------------------
---------------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.0406 0.5300
0.0716 0.0256
## Adjusted R2 0.0314 0.4678
0.0568 0.0225
## F Statistic 4.3938*** (df = 10; 1038) 8.5202*** (df = 9; 68) 4.862
8*** (df = 10; 631) 8.3109*** (df = 10; 3164)
 534

## ===================================================================
=============================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))))

titulo<-paste("CFROA"," ", "Efeitos Fixos")

stargazer(regef1,regef2, regef3,regef4,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## CFROA Efeitos Fixos
## ===================================================================
========================================
## Dependent variabl
e:
## ------------------------------------------------------
----------------------------------------
## vard
## Basico BovespaMais1e2 Ni
vel1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
----------------------------------------
## EfOp -0.0011 -0.00001 -
0.0003 -0.0004
## (0.0012) (0.00004) (0
.0021) (0.0004)
##
## LIQ -0.0001 0.0159*** -
0.0015 0.0011
 535

## (0.0025) (0.0014) (0
.0040) (0.0010)
##
## End -0.0313 -0.0555 -0.
0545*** -0.0203**
## (0.0377) (0.0373) (0
.0198) (0.0095)
##
## Imob -0.0923* 0.1346** -
0.0183 0.0304**
## (0.0560) (0.0532) (0
.0118) (0.0150)
##
## Lnativo -0.0052 -0.0051 -
0.0037 -0.0029
## (0.0161) (0.0148) (0
.0081) (0.0028)
##
## PIB -1.4630*** -0.1035 -
0.2449 -0.2413
## (0.4813) (0.7972) (0
.3832) (0.1869)
##
## IPCA 0.0015 -0.0050 0
.0004 -0.0001
## (0.0034) (0.0092) (0
.0023) (0.0014)
##
## LFT -0.2574 -0.0268 -
0.3809 -0.1862
## (0.3589) (0.9170) (0
.3886) (0.1367)
##
## Covid 0.0048 0.0127 0
.0058 -0.0011
## (0.0042) (0.0087) (0
.0036) (0.0021)
##
## Inov 0.0158*** 0
.0006 -0.0003
## (0.0042) (0
.0055) (0.0035)
##
 536

## -------------------------------------------------------------------
----------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.0286 0.0694 0
.0347 0.0082
## Adjusted R2 -0.0314 -0.1024 -
0.0261 -0.0543
## F Statistic 2.9072*** (df = 10; 987) 0.5388 (df = 9; 65) 2.1704**
(df = 10; 603) 2.4593*** (df = 10; 2986)
## ===================================================================
========================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios

estatrobustos <-list(sqrt(diag(vcovHC(regrf1, type = "HC1"))),

sqrt(diag(vcovHC(regrf3, type = "HC1"))),
sqrt(diag(vcovHC(regrf4, type = "HC1"))))

titulo<-paste("CFROA"," ", "Efeitos Aleatorios")

stargazer(regrf1, regrf3,regrf4,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,3,4)])
##
## CFROA Efeitos Aleatorios
## ==============================================
## Dependent variable:
## ---------------------------------
## vard
## Basico Nivel1e2 NovoMeracdo
## (1) (2) (3)
## ----------------------------------------------
## EfOp -0.0013 -0.0047* -0.0007
## (0.0012) (0.0025) (0.0005)
 537

##
## LIQ -0.0002 0.0030 -0.00004
## (0.0008) (0.0031) (0.0006)
##
## End -0.0289* -0.0352** -0.0217***
## (0.0165) (0.0146) (0.0079)
##
## Imob -0.0006 0.0124 0.0195**
## (0.0131) (0.0077) (0.0077)
##
## Lnativo 0.0030 0.0012 0.0020
## (0.0019) (0.0015) (0.0013)
##
## PIB -1.3898*** -0.0419 -0.3433*
## (0.4698) (0.4009) (0.1925)
##
## IPCA 0.0016 0.0010 -0.0007
## (0.0033) (0.0022) (0.0014)
##
## LFT -0.4421 -0.3551 -0.2593**
## (0.3551) (0.3934) (0.1295)
##
## Covid 0.0056 0.0050 -0.0033*
## (0.0037) (0.0033) (0.0017)
##
## Inov 0.0021 0.0037 0.0004
## (0.0107) (0.0037) (0.0029)
##
## Constant -0.0291 -0.0018 -0.0252
## (0.0386) (0.0338) (0.0283)
##
## ----------------------------------------------
## Observations 1,049 642 3,175
## R2 0.0262 0.0451 0.0081
## Adjusted R2 0.0168 0.0300 0.0049
## F Statistic 28.5601*** 26.8193*** 35.0788***
## ==============================================
 538

## Note: *p<0.1; **p<0.05; ***p<0.01

Regressão NGC – CFROE

###Pacotes Usados ###

library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
 539

##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.xlsx.csv", header = T,sep
= ";",dec = ".",quote = "\""))

base$Empresa<-as.factor(base$Empresa)#transformo os caracteres em fato

res (n?meros)
painel<-pdata.frame(base,
index=c("Empresa","Data"),
drop.index=TRUE,
row.names =TRUE)

names(painel)
 540

summary(painel)

painel$NGC<-as.factor(painel$NGC)
Painel<-painel

nivel<-levels(painel$NGC)
###################################Basico#########
i=1
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Basico"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp1<-regp
regef1<-(regfe)
regrf1<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
 541

sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE Basico
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
----
## EfOp -0.0099 -0.0100 -0.01
16
## (0.0125) (0.0148) (0.01
46)
##
## LIQ -0.0021 0.0020 -0.00
12
## (0.0039) (0.0063) (0.00
52)
##
## End -0.2929 -1.6658 -0.67
00
## (0.4301) (1.9698) (0.78
09)
##
## Imob 0.1159 0.7248 0.20
51
## (0.1137) (0.7604) (0.16
20)
 542

##
## Lnativo 0.0284 0.3820 0.06
22
## (0.0415) (0.3726) (0.06
15)
##
## PIB -5.8535*** -7.2666 -5.521
0***
## (1.4331) (5.2540) (1.54
39)
##
## IPCA -0.0289 -0.0323 -0.02
52
## (0.0219) (0.0253) (0.02
07)
##
## LFT -7.9068 -3.9670 -6.36
94
## (5.6402) (5.9626) (5.27
36)
##
## Covid -0.0019 -0.0669 -0.01
55
## (0.0534) (0.0796) (0.04
38)
##
## Inov -0.1531 -0.0001 -0.30
46
## (0.2214) (0.0832) (0.31
43)
##
## Constant -0.3854 -1.04
65
## (0.8525) (1.18
33)
##
## -------------------------------------------------------------------
----
## Observations 1,049 1,049 1,04
9
## R2 0.0139 0.0363 0.01
99
## Adjusted R2 0.0044 -0.0233 0.01
04
 543

## F Statistic 1.4579 (df = 10; 1038) 3.7176*** (df = 10; 987) 21.465
2**
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################BovespaMais1e2#########
i=2
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "BovespaMais1e2"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regp2<-regp
regef2<-(regfe)
regrf2<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe,
 544

digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
##
## CFROE BovespaMais1e2
## ======================================================
## Dependent variable:
## -----------------------------------------
## vard
## Pooled FE
## (1) (2)
## ------------------------------------------------------
## EfOp -0.0003 -0.0004***
## (0.0002) (0.0001)
##
## LIQ -0.0276 0.0415***
## (0.0265) (0.0081)
##
## End -0.5696*** -0.0912
## (0.1825) (0.1918)
##
## Imob 0.2784 0.2122*
## (0.2153) (0.1202)
##
## Lnativo 0.0135 -0.0039
## (0.0238) (0.0296)
##
## PIB -2.5611 -1.4204
## (4.8517) (3.8862)
##
## IPCA 0.0104 0.0014
## (0.0401) (0.0376)
##
## LFT 1.5675 0.9729
## (2.5499) (3.1057)
 545

##
## Covid 0.0265 0.0114
## (0.0269) (0.0347)
##
## Constant -0.2154
## (0.4254)
##
## ------------------------------------------------------
## Observations 78 78
## R2 0.2151 0.0195
## Adjusted R2 0.1112 -0.1615
## F Statistic 2.0701** (df = 9; 68) 0.1438 (df = 9; 65)
## ======================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Nivel1e2#########
i=3
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Nivel1e2"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp3<-regp
 546

regef3<-(regfe)
regrf3<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE Nivel1e2
## ===================================================================
===
## Dependent variable:
## ------------------------------------------------------
---
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
---
## EfOp -0.0201 0.0087 -0.01
04
## (0.0277) (0.0234) (0.024
6)
##
## LIQ -0.0135 -0.0034 -0.00
99
## (0.0219) (0.0137) (0.017
9)
##
## End 0.3213* 0.3326 0.343
7
 547

## (0.1798) (0.3479) (0.211

9)
##
## Imob 0.0393 -0.2881 -0.00
65
## (0.0430) (0.2204) (0.047
8)
##
## Lnativo -0.0007 0.0309 -0.00
17
## (0.0085) (0.1385) (0.012
2)
##
## PIB 4.6639 1.9025 3.695
7
## (7.0975) (6.6018) (6.763
8)
##
## IPCA 0.0201 0.0131 0.018
9
## (0.0212) (0.0166) (0.020
6)
##
## LFT -6.2226* -6.9088* -6.591
6*
## (3.1926) (3.6240) (3.394
9)
##
## Covid 0.0059 -0.0066 0.009
3
## (0.0240) (0.0455) (0.021
3)
##
## Inov 0.0173 0.0156 0.013
1
## (0.0290) (0.0275) (0.027
8)
##
## Constant 0.0043 0.036
6
## (0.1989) (0.278
2)
##
 548

## -------------------------------------------------------------------
---
## Observations 642 642 642
## R2 0.0510 0.0267 0.037
4
## Adjusted R2 0.0360 -0.0346 0.022
1
## F Statistic 3.3919*** (df = 10; 631) 1.6543* (df = 10; 603) 22.897
6**
## ===================================================================
===
## Note: *p<0.1; **p<0.05; ***p<0
.01
###################################Novo Mercado #########
i=4
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "NovoMeracdo"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp4<-regp
regef4<-(regfe)
regrf4<-(regre)
 549

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROE"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE NovoMeracdo
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
## Pooled FE RE
## (1) (2) (3
)
## -------------------------------------------------------------------
----
## EfOp -0.0128** -0.0056 -0.0
086
## (0.0062) (0.0052) (0.00
56)
##
## LIQ 0.0046 -0.0010 0.00
09
## (0.0063) (0.0070) (0.00
50)
##
## End 0.2047 -0.0281 0.11
74
## (0.1423) (0.1977) (0.13
38)
##
 550

## Imob -0.0540 0.1465 -0.0

056
## (0.0655) (0.1587) (0.07
15)
##
## Lnativo 0.0145 0.0145 0.01
78*
## (0.0091) (0.0337) (0.01
07)
##
## PIB -3.6894 -3.2602 -3.3
573
## (2.3260) (2.4847) (2.40
48)
##
## IPCA -0.0280 -0.0240 -0.0
262
## (0.0187) (0.0203) (0.01
87)
##
## LFT -1.8473 -2.0123 -1.9
512
## (1.8334) (1.9982) (1.92
11)
##
## Covid 0.0150 0.0206 0.01
57
## (0.0205) (0.0263) (0.02
17)
##
## Inov -0.0043 0.0232 0.00
01
## (0.0278) (0.0372) (0.02
79)
##
## Constant -0.2861 -0.3
502
## (0.2047) (0.23
22)
##
## -------------------------------------------------------------------
----
## Observations 3,175 3,175 3,1
75
 551

## R2 0.0154 0.0036 0.00

66
## Adjusted R2 0.0123 -0.0592 0.00
35
## F Statistic 4.9577*** (df = 10; 3164) 1.0656 (df = 10; 2986) 22.59
24**
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))))

titulo<-paste("CFROE"," ", "Pooled")

stargazer(regp1,regp2, regp3,regp4,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## CFROE Pooled
## ===================================================================
=========================================
## Dependent variab
le:
## ------------------------------------------------------
-----------------------------------------
## vard
## Basico BovespaMais1e2 N
ivel1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
-----------------------------------------
 552

## EfOp -0.0099 -0.0003 -

0.0201 -0.0128**
## (0.0125) (0.0002) (
0.0277) (0.0062)
##
## LIQ -0.0021 -0.0276 -
0.0135 0.0046
## (0.0039) (0.0265) (
0.0219) (0.0063)
##
## End -0.2929 -0.5696*** 0
.3213* 0.2047
## (0.4301) (0.1825) (
0.1798) (0.1423)
##
## Imob 0.1159 0.2784
0.0393 -0.0540
## (0.1137) (0.2153) (
0.0430) (0.0655)
##
## Lnativo 0.0284 0.0135 -
0.0007 0.0145
## (0.0415) (0.0238) (
0.0085) (0.0091)
##
## PIB -5.8535*** -2.5611
4.6639 -3.6894
## (1.4331) (4.8517) (
7.0975) (2.3260)
##
## IPCA -0.0289 0.0104
0.0201 -0.0280
## (0.0219) (0.0401) (
0.0212) (0.0187)
##
## LFT -7.9068 1.5675 -
6.2226* -1.8473
## (5.6402) (2.5499) (
3.1926) (1.8334)
##
## Covid -0.0019 0.0265
0.0059 0.0150
## (0.0534) (0.0269) (
0.0240) (0.0205)
 553

##
## Inov -0.1531
0.0173 -0.0043
## (0.2214) (
0.0290) (0.0278)
##
## Constant -0.3854 -0.2154
0.0043 -0.2861
## (0.8525) (0.4254) (
0.1989) (0.2047)
##
## -------------------------------------------------------------------
-----------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.0139 0.2151
0.0510 0.0154
## Adjusted R2 0.0044 0.1112
0.0360 0.0123
## F Statistic 1.4579 (df = 10; 1038) 2.0701** (df = 9; 68) 3.3919***
(df = 10; 631) 4.9577*** (df = 10; 3164)
## ===================================================================
=========================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))))

titulo<-paste("CFROE"," ", "Efeitos Fixos")

stargazer(regef1,regef2, regef3,regef4,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## CFROE Efeitos Fixos
 554

## ===================================================================
====================================
## Dependent variable:
## ------------------------------------------------------
------------------------------------
## vard
## Basico BovespaMais1e2 Ni
vel1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
------------------------------------
## EfOp -0.0100 -0.0004*** 0
.0087 -0.0056
## (0.0148) (0.0001) (0
.0234) (0.0052)
##
## LIQ 0.0020 0.0415*** -0
.0034 -0.0010
## (0.0063) (0.0081) (0
.0137) (0.0070)
##
## End -1.6658 -0.0912 0
.3326 -0.0281
## (1.9698) (0.1918) (0
.3479) (0.1977)
##
## Imob 0.7248 0.2122* -0
.2881 0.1465
## (0.7604) (0.1202) (0
.2204) (0.1587)
##
## Lnativo 0.3820 -0.0039 0
.0309 0.0145
## (0.3726) (0.0296) (0
.1385) (0.0337)
##
## PIB -7.2666 -1.4204 1
.9025 -3.2602
## (5.2540) (3.8862) (6
.6018) (2.4847)
##
## IPCA -0.0323 0.0014 0
.0131 -0.0240
 555

## (0.0253) (0.0376) (0
.0166) (0.0203)
##
## LFT -3.9670 0.9729 -6
.9088* -2.0123
## (5.9626) (3.1057) (3
.6240) (1.9982)
##
## Covid -0.0669 0.0114 -0
.0066 0.0206
## (0.0796) (0.0347) (0
.0455) (0.0263)
##
## Inov -0.0001 0
.0156 0.0232
## (0.0832) (0
.0275) (0.0372)
##
## -------------------------------------------------------------------
------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.0363 0.0195 0
.0267 0.0036
## Adjusted R2 -0.0233 -0.1615 -0
.0346 -0.0592
## F Statistic 3.7176*** (df = 10; 987) 0.1438 (df = 9; 65) 1.6543* (
df = 10; 603) 1.0656 (df = 10; 2986)
## ===================================================================
====================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios

estatrobustos <-list(sqrt(diag(vcovHC(regrf1, type = "HC1"))),

sqrt(diag(vcovHC(regrf3, type = "HC1"))),
sqrt(diag(vcovHC(regrf4, type = "HC1"))))

titulo<-paste("CFROE"," ", "Efeitos Aleatorios")

stargazer(regrf1, regrf3,regrf4,
digits = 4,
 556

type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,3,4)])
##
## CFROE Efeitos Aleatorios
## =============================================
## Dependent variable:
## --------------------------------
## vard
## Basico Nivel1e2 NovoMeracdo
## (1) (2) (3)
## ---------------------------------------------
## EfOp -0.0116 -0.0104 -0.0086
## (0.0146) (0.0246) (0.0056)
##
## LIQ -0.0012 -0.0099 0.0009
## (0.0052) (0.0179) (0.0050)
##
## End -0.6700 0.3437 0.1174
## (0.7809) (0.2119) (0.1338)
##
## Imob 0.2051 -0.0065 -0.0056
## (0.1620) (0.0478) (0.0715)
##
## Lnativo 0.0622 -0.0017 0.0178*
## (0.0615) (0.0122) (0.0107)
##
## PIB -5.5210*** 3.6957 -3.3573
## (1.5439) (6.7638) (2.4048)
##
## IPCA -0.0252 0.0189 -0.0262
## (0.0207) (0.0206) (0.0187)
##
## LFT -6.3694 -6.5916* -1.9512
## (5.2736) (3.3949) (1.9211)
##
 557

## Covid -0.0155 0.0093 0.0157

## (0.0438) (0.0213) (0.0217)
##
## Inov -0.3046 0.0131 0.0001
## (0.3143) (0.0278) (0.0279)
##
## Constant -1.0465 0.0366 -0.3502
## (1.1833) (0.2782) (0.2322)
##
## ---------------------------------------------
## Observations 1,049 642 3,175
## R2 0.0199 0.0374 0.0066
## Adjusted R2 0.0104 0.0221 0.0035
## F Statistic 21.4652** 22.8976** 22.5924**
## =============================================
## Note: *p<0.1; **p<0.05; ***p<0.01
 558

Regressão NGC – CFROIC

###Pacotes Usados ###

library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
 559

##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.xlsx.csv", header = T,sep
= ";",dec = ".",quote = "\""))

base$Empresa<-as.factor(base$Empresa)#transformo os caracteres em fato

res (n?meros)
painel<-pdata.frame(base,
index=c("Empresa","Data"),
drop.index=TRUE,
row.names =TRUE)

names(painel)

summary(painel)

painel$NGC<-as.factor(painel$NGC)
Painel<-painel
 560

nivel<-levels(painel$NGC)
###################################Basico#########
i=1
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Basico"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp1<-regp
regef1<-(regfe)
regrf1<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
 561

type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC Basico
## ===================================================================
=====
## Dependent variable:
## ------------------------------------------------------
-----
## vard
## Pooled FE R
E
## (1) (2) (3
)
## -------------------------------------------------------------------
-----
## EfOp -1.0617 -4.9306* -2.6
978
## (1.1941) (2.6886) (1.8
288)
##
## LIQ 0.5316 4.3765 0.9
282
## (0.8631) (4.5846) (1.2
371)
##
## End -1.5161 10.5322 0.2
224
## (9.8761) (14.6794) (10.2
131)
##
## Imob -21.2871** -29.9688 -20.8
449**
## (10.0055) (23.3435) (9.7
173)
##
## Lnativo 0.2010 -0.1121 0.4
031
## (0.9842) (8.9678) (1.0
741)
##
 562

## PIB -91.7484 -131.5056 -82.

8768
## (144.3781) (190.8288) (143.
2654)
##
## IPCA 4.1253 4.1315 4.0
983
## (6.1703) (6.1582) (6.2
714)
##
## LFT -523.8201 -439.1166 -513.
0538
## (376.2790) (297.3352) (364.
2190)
##
## Covid -6.9606 -8.0329 -7.7
314
## (8.5556) (8.8224) (8.4
667)
##
## Inov -4.0508 0.7069 -4.5
797
## (4.7341) (1.1663) (5.0
057)
##
## Constant 11.2098 7.9
942
## (24.4556) (24.5
883)
##
## -------------------------------------------------------------------
-----
## Observations 1,049 1,049 1,0
49
## R2 0.0170 0.0418 0.0
196
## Adjusted R2 0.0075 -0.0175 0.0
102
## F Statistic 1.7915* (df = 10; 1038) 4.3011*** (df = 10; 987) 20.59
85**
## ===================================================================
=====
## Note: *p<0.1; **p<0.05; ***p
<0.01
 563

###################################BovespaMais1e2#########
i=2
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "BovespaMais1e2"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regp2<-regp
regef2<-(regfe)
regrf2<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
 564

##
## CFROIC BovespaMais1e2
## ====================================================
## Dependent variable:
## ---------------------------------------
## vard
## Pooled FE
## (1) (2)
## ----------------------------------------------------
## EfOp 0.0001 0.0001
## (0.0001) (0.0001)
##
## LIQ -0.0195 0.0849**
## (0.0190) (0.0409)
##
## End -0.3993** -0.2543*
## (0.1932) (0.1535)
##
## Imob 0.3366 0.6330***
## (0.2400) (0.1209)
##
## Lnativo -0.0051 0.0422
## (0.0284) (0.0549)
##
## PIB -3.1993 -2.7017
## (4.7708) (3.8849)
##
## IPCA -0.0057 -0.0231
## (0.0483) (0.0505)
##
## LFT -0.8848 -1.1624
## (3.6394) (3.5303)
##
## Covid 0.0566*** 0.0348
## (0.0067) (0.0242)
##
## Constant 0.0752
 565

## (0.5190)
##
## ----------------------------------------------------
## Observations 78 78
## R2 0.1174 0.0939
## Adjusted R2 0.0006 -0.0733
## F Statistic 1.0049 (df = 9; 68) 0.7488 (df = 9; 65)
## ====================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Nivel1e2#########
i=3
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Nivel1e2"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp3<-regp
regef3<-(regfe)
regrf3<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

 566

sqrt(diag(vcovHC(regfe, type = "HC1"))),

sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC Nivel1e2
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
----
## EfOp -0.5281 -0.0664 -0.12
64
## (0.3547) (0.0828) (0.12
15)
##
## LIQ 0.3628** -0.1372 -0.00
84
## (0.1758) (0.1345) (0.11
01)
##
## End -0.6118 -0.4731 -0.31
64
## (1.1215) (0.6831) (0.75
21)
##
## Imob -2.4629*** -0.8804 -1.881
8***
 567

## (0.6397) (0.6718) (0.69

61)
##
## Lnativo 0.0019 -0.2419 -0.01
59
## (0.0879) (0.3057) (0.07
06)
##
## PIB -20.5606* -9.6609 -13.7
109
## (12.1202) (9.8295) (11.24
59)
##
## IPCA 0.1185 0.1252 0.11
29
## (0.1235) (0.1141) (0.11
50)
##
## LFT -10.8432 -10.3975 -10.8
002
## (28.0493) (26.5352) (26.75
79)
##
## Covid -0.4218 -0.2897 -0.37
40
## (0.3390) (0.4114) (0.35
00)
##
## Inov 0.0441 0.1749 0.145
9*
## (0.2245) (0.1376) (0.08
01)
##
## Constant 1.8710 1.84
97
## (1.6466) (1.37
51)
##
## -------------------------------------------------------------------
----
## Observations 642 642 642
## R2 0.1953 0.0190 0.03
17
 568

## Adjusted R2 0.1825 -0.0428 0.01

63
## F Statistic 15.3122*** (df = 10; 631) 1.1664 (df = 10; 603) 21.579
4**
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################Novo Mercado #########
i=4
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "NovoMeracdo"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp4<-regp
regef4<-(regfe)
regrf4<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))
 569

titulo<-paste("CFROIC"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC NovoMeracdo
## ===================================================================
=====
## Dependent variable:
## ------------------------------------------------------
-----
## vard
## Pooled FE R
E
## (1) (2) (3
)
## -------------------------------------------------------------------
-----
## EfOp 0.0462 0.4048 0.3
006
## (0.4342) (0.3270) (0.3
495)
##
## LIQ 0.3238 -0.2727 -0.0
312
## (0.2099) (0.1909) (0.0
697)
##
## End 1.8142 0.4383 1.1
333
## (2.8388) (1.2819) (1.7
383)
##
## Imob -6.4807** -2.1572** -5.08
78**
## (2.9491) (1.0677) (2.2
071)
##
 570

## Lnativo 0.3950** -0.6574 0.25

16**
## (0.1728) (0.6697) (0.1
083)
##
## PIB -35.6545** -27.4241* -31.9
462**
## (15.6750) (15.6183) (15.2
583)
##
## IPCA -0.1020 0.0526 -0.0
410
## (0.1790) (0.1651) (0.1
650)
##
## LFT 58.4374 49.9293 50.0
571
## (43.8262) (38.3496) (39.3
615)
##
## Covid -0.5367** -0.0886 -0.4
248*
## (0.2529) (0.4112) (0.2
499)
##
## Inov -1.0727** 0.3400 -0.57
21**
## (0.4170) (0.2950) (0.2
380)
##
## Constant -7.1410** -4.1
015*
## (3.6423) (2.3
298)
##
## -------------------------------------------------------------------
-----
## Observations 3,175 3,175 3,1
75
## R2 0.0161 0.0032 0.0
047
## Adjusted R2 0.0130 -0.0596 0.0
016
 571

## F Statistic 5.1893*** (df = 10; 3164) 0.9577 (df = 10; 2986) 16.2
148*
## ===================================================================
=====
## Note: *p<0.1; **p<0.05; ***p
<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))))

titulo<-paste("CFROIC"," ", "Pooled")

stargazer(regp1,regp2, regp3,regp4,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## CFROIC Pooled
## ===================================================================
=========================================
## Dependent variab
le:
## ------------------------------------------------------
-----------------------------------------
## vard
## Basico BovespaMais1e2 Ni
vel1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
-----------------------------------------
## EfOp -1.0617 0.0001 -
0.5281 0.0462
## (1.1941) (0.0001) (0
.3547) (0.4342)
##
 572

## LIQ 0.5316 -0.0195 0.

3628** 0.3238
## (0.8631) (0.0190) (0
.1758) (0.2099)
##
## End -1.5161 -0.3993** -
0.6118 1.8142
## (9.8761) (0.1932) (1
.1215) (2.8388)
##
## Imob -21.2871** 0.3366 -2.
4629*** -6.4807**
## (10.0055) (0.2400) (0
.6397) (2.9491)
##
## Lnativo 0.2010 -0.0051 0
.0019 0.3950**
## (0.9842) (0.0284) (0
.0879) (0.1728)
##
## PIB -91.7484 -3.1993 -2
0.5606* -35.6545**
## (144.3781) (4.7708) (1
2.1202) (15.6750)
##
## IPCA 4.1253 -0.0057 0
.1185 -0.1020
## (6.1703) (0.0483) (0
.1235) (0.1790)
##
## LFT -523.8201 -0.8848 -1
0.8432 58.4374
## (376.2790) (3.6394) (2
8.0493) (43.8262)
##
## Covid -6.9606 0.0566*** -
0.4218 -0.5367**
## (8.5556) (0.0067) (0
.3390) (0.2529)
##
## Inov -4.0508 0
.0441 -1.0727**
## (4.7341) (0
.2245) (0.4170)
 573

##
## Constant 11.2098 0.0752 1
.8710 -7.1410**
## (24.4556) (0.5190) (1
.6466) (3.6423)
##
## -------------------------------------------------------------------
-----------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.0170 0.1174 0
.1953 0.0161
## Adjusted R2 0.0075 0.0006 0
.1825 0.0130
## F Statistic 1.7915* (df = 10; 1038) 1.0049 (df = 9; 68) 15.3122***
(df = 10; 631) 5.1893*** (df = 10; 3164)
## ===================================================================
=========================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))))

titulo<-paste("CFROIC"," ", "Efeitos Fixos")

stargazer(regef1,regef2, regef3,regef4,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## CFROIC Efeitos Fixos
## ===================================================================
===================================
## Dependent variable:
## ------------------------------------------------------
-----------------------------------
 574

## vard
## Basico BovespaMais1e2 Niv
el1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
-----------------------------------
## EfOp -4.9306* 0.0001 -0
.0664 0.4048
## (2.6886) (0.0001) (0.
0828) (0.3270)
##
## LIQ 4.3765 0.0849** -0
.1372 -0.2727
## (4.5846) (0.0409) (0.
1345) (0.1909)
##
## End 10.5322 -0.2543* -0
.4731 0.4383
## (14.6794) (0.1535) (0.
6831) (1.2819)
##
## Imob -29.9688 0.6330*** -0
.8804 -2.1572**
## (23.3435) (0.1209) (0.
6718) (1.0677)
##
## Lnativo -0.1121 0.0422 -0
.2419 -0.6574
## (8.9678) (0.0549) (0.
3057) (0.6697)
##
## PIB -131.5056 -2.7017 -9
.6609 -27.4241*
## (190.8288) (3.8849) (9.
8295) (15.6183)
##
## IPCA 4.1315 -0.0231 0.
1252 0.0526
## (6.1582) (0.0505) (0.
1141) (0.1651)
##
## LFT -439.1166 -1.1624 -10
.3975 49.9293
 575

## (297.3352) (3.5303) (26

.5352) (38.3496)
##
## Covid -8.0329 0.0348 -0
.2897 -0.0886
## (8.8224) (0.0242) (0.
4114) (0.4112)
##
## Inov 0.7069 0.
1749 0.3400
## (1.1663) (0.
1376) (0.2950)
##
## -------------------------------------------------------------------
-----------------------------------
## Observations 1,049 78
642 3,175
## R2 0.0418 0.0939 0.
0190 0.0032
## Adjusted R2 -0.0175 -0.0733 -0
.0428 -0.0596
## F Statistic 4.3011*** (df = 10; 987) 0.7488 (df = 9; 65) 1.1664 (d
f = 10; 603) 0.9577 (df = 10; 2986)
## ===================================================================
===================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios

estatrobustos <-list(sqrt(diag(vcovHC(regrf1, type = "HC1"))),

sqrt(diag(vcovHC(regrf3, type = "HC1"))),
sqrt(diag(vcovHC(regrf4, type = "HC1"))))

titulo<-paste("CFROIC"," ", "Efeitos Aleatorios")

stargazer(regrf1, regrf3,regrf4,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,3,4)])
 576

##
## CFROIC Efeitos Aleatorios
## ==============================================
## Dependent variable:
## ---------------------------------
## vard
## Basico Nivel1e2 NovoMeracdo
## (1) (2) (3)
## ----------------------------------------------
## EfOp -2.6978 -0.1264 0.3006
## (1.8288) (0.1215) (0.3495)
##
## LIQ 0.9282 -0.0084 -0.0312
## (1.2371) (0.1101) (0.0697)
##
## End 0.2224 -0.3164 1.1333
## (10.2131) (0.7521) (1.7383)
##
## Imob -20.8449** -1.8818*** -5.0878**
## (9.7173) (0.6961) (2.2071)
##
## Lnativo 0.4031 -0.0159 0.2516**
## (1.0741) (0.0706) (0.1083)
##
## PIB -82.8768 -13.7109 -31.9462**
## (143.2654) (11.2459) (15.2583)
##
## IPCA 4.0983 0.1129 -0.0410
## (6.2714) (0.1150) (0.1650)
##
## LFT -513.0538 -10.8002 50.0571
## (364.2190) (26.7579) (39.3615)
##
## Covid -7.7314 -0.3740 -0.4248*
## (8.4667) (0.3500) (0.2499)
##
## Inov -4.5797 0.1459* -0.5721**
 577

## (5.0057) (0.0801) (0.2380)

##
## Constant 7.9942 1.8497 -4.1015*
## (24.5883) (1.3751) (2.3298)
##
## ----------------------------------------------
## Observations 1,049 642 3,175
## R2 0.0196 0.0317 0.0047
## Adjusted R2 0.0102 0.0163 0.0016
## F Statistic 20.5985** 21.5794** 16.2148*
## ==============================================
## Note: *p<0.1; **p<0.05; ***p<0.01
 578

Regressão NGC – BTM

####Pacotes Usados ###

library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
 579

##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.xlsx.csv", header = T,sep
= ";",dec = ".",quote = "\""))

base$Empresa<-as.factor(base$Empresa)#transformo os caracteres em fato

res (n?meros)
painel<-pdata.frame(base,
index=c("Empresa","Data"),
drop.index=TRUE,
row.names =TRUE)

names(painel)

summary(painel)

painel$NGC<-as.factor(painel$NGC)
Painel<-painel
 580

nivel<-levels(painel$NGC)
###################################Basico#########
i=1
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Basico"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp1<-regp
regef1<-(regfe)
regrf1<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BtM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
 581

type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BtM Basico
## ===================================================================
==========
## Dependent variable:
## ------------------------------------------------------
----------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
----------
## EfOp -0.0693*** 0.0007
-0.0025
## (0.0234) (0.0084)
(0.0087)
##
## LIQ -0.0100 -0.0088
-0.0076
## (0.0228) (0.0230)
(0.0194)
##
## End -0.2967 -0.7048
-0.7751
## (0.5064) (0.7519)
(0.5840)
##
## Imob -0.2666 -0.9820
-0.7040
## (0.5700) (1.0027)
(0.6343)
##
## Lnativo -0.0780 -0.0393
-0.0519
## (0.0676) (0.3527)
(0.1197)
##
 582

## PIB 29.3381*** 24.2920*** 2

4.8611***
## (9.5031) (8.6501)
(8.7882)
##
## IPCA -0.0284 -0.0325
-0.0300
## (0.0264) (0.0244)
(0.0235)
##
## LFT -28.6563*** -22.6676*** -
23.1340***
## (7.0681) (5.9960)
(6.0005)
##
## Covid 0.2692*** 0.2301**
0.2403***
## (0.0895) (0.0942)
(0.0929)
##
## Inov 1.0406 -0.2456**
-0.1169
## (0.7710) (0.1189)
(0.3044)
##
## Constant 2.6915*
2.3109
## (1.4420)
(2.7242)
##
## -------------------------------------------------------------------
----------
## Observations 1,049 1,049
1,049
## R2 0.1363 0.1664
0.1653
## Adjusted R2 0.1280 0.1149
0.1573
## F Statistic 16.3838*** (df = 10; 1038) 19.6989*** (df = 10; 987) 1
99.6018***
## ===================================================================
==========
## Note: *p<0.1; **p<0.05;
***p<0.01
 583

###################################BovespaMais1e2#########
i=2
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "BovespaMais1e2"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regp2<-regp
regef2<-(regfe)
regrf2<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))))

titulo<-paste("BtM"," ", nivel[i])

stargazer(regp, regfe,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
 584

##
## BtM BovespaMais1e2
## ===========================================================
## Dependent variable:
## ----------------------------------------------
## vard
## Pooled FE
## (1) (2)
## -----------------------------------------------------------
## EfOp -0.0025** -0.0031***
## (0.0010) (0.0008)
##
## LIQ 0.4558* -0.3002**
## (0.2631) (0.1376)
##
## End 2.0553 4.1752***
## (2.4400) (0.8004)
##
## Imob 0.3081 -3.8613**
## (2.5031) (1.8455)
##
## Lnativo -0.2103 -0.9869***
## (0.2420) (0.2618)
##
## PIB 13.1976 16.6436**
## (8.4245) (7.4458)
##
## IPCA -0.1542 -0.0020
## (0.1614) (0.0952)
##
## LFT -34.8756** -35.7678
## (17.6169) (23.6740)
##
## Covid 0.2070 0.3773***
## (0.1383) (0.1061)
##
## Constant 4.2900
 585

## (4.4776)
##
## -----------------------------------------------------------
## Observations 78 78
## R2 0.5060 0.6513
## Adjusted R2 0.4406 0.5869
## F Statistic 7.7396*** (df = 9; 68) 13.4907*** (df = 9; 65)
## ===========================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Nivel1e2#########
i=3
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Nivel1e2"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp3<-regp
regef3<-(regfe)
regrf3<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

 586

sqrt(diag(vcovHC(regfe, type = "HC1"))),

sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BtM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BtM Nivel1e2
## ===================================================================
=======
## Dependent variable:
## ------------------------------------------------------
-------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
-------
## EfOp -0.1419 -0.0492 -0
.0506*
## (0.0893) (0.0318) (0
.0297)
##
## LIQ 0.1627 0.0263 0
.0326
## (0.0996) (0.0469) (0
.0434)
##
## End -0.6902 0.1475 0
.0934
## (0.5445) (0.2244) (0
.2284)
##
 587

## Imob -0.0375 0.4423 0

.3707
## (0.2803) (0.5078) (0
.4360)
##
## Lnativo -0.0866* -0.2185* -0.
1656**
## (0.0480) (0.1242) (0
.0726)
##
## PIB 15.7776*** 16.0521** 15.
5384**
## (5.1430) (7.8779) (7
.6063)
##
## IPCA -0.0479 -0.0533*** -0.
0561***
## (0.0360) (0.0195) (0
.0202)
##
## LFT -21.1722** -21.2829** -21
.3416**
## (9.1371) (8.3723) (8
.4503)
##
## Covid 0.0767 0.0636 0
.0504
## (0.0542) (0.0633) (0
.0493)
##
## Inov 0.0215 -0.0362 -0
.0315
## (0.0980) (0.0969) (0
.0887)
##
## Constant 2.9252** 4.4
864***
## (1.2405) (1
.7369)
##
## -------------------------------------------------------------------
-------
## Observations 642 642
642
 588

## R2 0.1773 0.1286 0
.1353
## Adjusted R2 0.1642 0.0737 0
.1215
## F Statistic 13.5973*** (df = 10; 631) 8.9029*** (df = 10; 603) 93.
9903***
## ===================================================================
=======
## Note: *p<0.1; **p<0.05; **
*p<0.01
###################################Novo Mercado #########
i=4
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "NovoMeracdo"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp4<-regp
regef4<-(regfe)
regrf4<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
 589

sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("BtM"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BtM NovoMeracdo
## ===================================================================
===========
## Dependent variable:
## ------------------------------------------------------
-----------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
-----------
## EfOp -0.0791*** -0.0362
-0.0382*
## (0.0271) (0.0228)
(0.0211)
##
## LIQ 0.1254** -0.1443*
-0.0958*
## (0.0602) (0.0760)
(0.0581)
##
## End -1.6093*** -0.4480
-0.7172
## (0.4135) (0.5385)
(0.4731)
##
## Imob 0.7956*** 0.4795
0.6926**
 590

## (0.2546) (0.5477)
(0.3493)
##
## Lnativo -0.1417** -0.8205***
-0.4818***
## (0.0557) (0.2880)
(0.1688)
##
## PIB 1.4068 3.7028
0.8651
## (6.8399) (4.7350)
(5.0128)
##
## IPCA -0.1956*** -0.1686***
-0.1943***
## (0.0250) (0.0226)
(0.0205)
##
## LFT -44.9531*** -46.7229***
-47.6818***
## (7.4346) (7.8478)
(7.8411)
##
## Covid 0.0671 0.2039*
0.0814
## (0.0596) (0.1059)
(0.0730)
##
## Inov 0.3791** 0.0668
0.1432
## (0.1868) (0.1134)
(0.1061)
##
## Constant 4.8801***
12.5100***
## (1.2178)
(3.7905)
##
## -------------------------------------------------------------------
-----------
## Observations 3,175 3,175
3,175
## R2 0.1410 0.1774
0.1497
 591

## Adjusted R2 0.1383 0.1256

0.1470
## F Statistic 51.9548*** (df = 10; 3164) 64.4109*** (df = 10; 2986)
503.2510***
## ===================================================================
===========
## Note: *p<0.1; **p<0.05
; ***p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))))

titulo<-paste("BtM"," ", "Pooled")

stargazer(regp1,regp2, regp3,regp4,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## BtM Pooled
## ===================================================================
================================================
## Dependent var
iable:
## ------------------------------------------------------
------------------------------------------------
## vard
## Basico BovespaMais1e2
Nivel1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
------------------------------------------------
## EfOp -0.0693*** -0.0025**
-0.1419 -0.0791***
 592

## (0.0234) (0.0010)
(0.0893) (0.0271)
##
## LIQ -0.0100 0.4558*
0.1627 0.1254**
## (0.0228) (0.2631)
(0.0996) (0.0602)
##
## End -0.2967 2.0553
-0.6902 -1.6093***
## (0.5064) (2.4400)
(0.5445) (0.4135)
##
## Imob -0.2666 0.3081
-0.0375 0.7956***
## (0.5700) (2.5031)
(0.2803) (0.2546)
##
## Lnativo -0.0780 -0.2103
-0.0866* -0.1417**
## (0.0676) (0.2420)
(0.0480) (0.0557)
##
## PIB 29.3381*** 13.1976
15.7776*** 1.4068
## (9.5031) (8.4245)
(5.1430) (6.8399)
##
## IPCA -0.0284 -0.1542
-0.0479 -0.1956***
## (0.0264) (0.1614)
(0.0360) (0.0250)
##
## LFT -28.6563*** -34.8756**
-21.1722** -44.9531***
## (7.0681) (17.6169)
(9.1371) (7.4346)
##
## Covid 0.2692*** 0.2070
0.0767 0.0671
## (0.0895) (0.1383)
(0.0542) (0.0596)
##
 593

## Inov 1.0406
0.0215 0.3791**
## (0.7710)
(0.0980) (0.1868)
##
## Constant 2.6915* 4.2900
2.9252** 4.8801***
## (1.4420) (4.4776)
(1.2405) (1.2178)
##
## -------------------------------------------------------------------
------------------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.1363 0.5060
0.1773 0.1410
## Adjusted R2 0.1280 0.4406
0.1642 0.1383
## F Statistic 16.3838*** (df = 10; 1038) 7.7396*** (df = 9; 68) 13.5
973*** (df = 10; 631) 51.9548*** (df = 10; 3164)
## ===================================================================
================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))))

titulo<-paste("BtM"," ", "Efeitos Fixos")

stargazer(regef1,regef2, regef3,regef4,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## BtM Efeitos Fixos
 594

## ===================================================================
===============================================
## Dependent var
iable:
## ------------------------------------------------------
-----------------------------------------------
## vard
## Basico BovespaMais1e2
Nivel1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
-----------------------------------------------
## EfOp 0.0007 -0.0031***
-0.0492 -0.0362
## (0.0084) (0.0008)
(0.0318) (0.0228)
##
## LIQ -0.0088 -0.3002**
0.0263 -0.1443*
## (0.0230) (0.1376)
(0.0469) (0.0760)
##
## End -0.7048 4.1752***
0.1475 -0.4480
## (0.7519) (0.8004)
(0.2244) (0.5385)
##
## Imob -0.9820 -3.8613**
0.4423 0.4795
## (1.0027) (1.8455)
(0.5078) (0.5477)
##
## Lnativo -0.0393 -0.9869***
-0.2185* -0.8205***
## (0.3527) (0.2618)
(0.1242) (0.2880)
##
## PIB 24.2920*** 16.6436**
16.0521** 3.7028
## (8.6501) (7.4458)
(7.8779) (4.7350)
##
 595

## IPCA -0.0325 -0.0020

-0.0533*** -0.1686***
## (0.0244) (0.0952)
(0.0195) (0.0226)
##
## LFT -22.6676*** -35.7678
-21.2829** -46.7229***
## (5.9960) (23.6740)
(8.3723) (7.8478)
##
## Covid 0.2301** 0.3773***
0.0636 0.2039*
## (0.0942) (0.1061)
(0.0633) (0.1059)
##
## Inov -0.2456**
-0.0362 0.0668
## (0.1189)
(0.0969) (0.1134)
##
## -------------------------------------------------------------------
-----------------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.1664 0.6513
0.1286 0.1774
## Adjusted R2 0.1149 0.5869
0.0737 0.1256
## F Statistic 19.6989*** (df = 10; 987) 13.4907*** (df = 9; 65) 8.90
29*** (df = 10; 603) 64.4109*** (df = 10; 2986)
## ===================================================================
===============================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios

estatrobustos <-list(sqrt(diag(vcovHC(regrf1, type = "HC1"))),

sqrt(diag(vcovHC(regrf3, type = "HC1"))),
sqrt(diag(vcovHC(regrf4, type = "HC1"))))

titulo<-paste("BtM"," ", "Efeitos Aleatorios")

stargazer(regrf1, regrf3,regrf4,
 596

digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,3,4)])
##
## BtM Efeitos Aleatorios
## ===============================================
## Dependent variable:
## ----------------------------------
## vard
## Basico Nivel1e2 NovoMeracdo
## (1) (2) (3)
## -----------------------------------------------
## EfOp -0.0025 -0.0506* -0.0382*
## (0.0087) (0.0297) (0.0211)
##
## LIQ -0.0076 0.0326 -0.0958*
## (0.0194) (0.0434) (0.0581)
##
## End -0.7751 0.0934 -0.7172
## (0.5840) (0.2284) (0.4731)
##
## Imob -0.7040 0.3707 0.6926**
## (0.6343) (0.4360) (0.3493)
##
## Lnativo -0.0519 -0.1656** -0.4818***
## (0.1197) (0.0726) (0.1688)
##
## PIB 24.8611*** 15.5384** 0.8651
## (8.7882) (7.6063) (5.0128)
##
## IPCA -0.0300 -0.0561*** -0.1943***
## (0.0235) (0.0202) (0.0205)
##
## LFT -23.1340*** -21.3416** -47.6818***
## (6.0005) (8.4503) (7.8411)
 597

##
## Covid 0.2403*** 0.0504 0.0814
## (0.0929) (0.0493) (0.0730)
##
## Inov -0.1169 -0.0315 0.1432
## (0.3044) (0.0887) (0.1061)
##
## Constant 2.3109 4.4864*** 12.5100***
## (2.7242) (1.7369) (3.7905)
##
## -----------------------------------------------
## Observations 1,049 642 3,175
## R2 0.1653 0.1353 0.1497
## Adjusted R2 0.1573 0.1215 0.1470
## F Statistic 199.6018*** 93.9903*** 503.2510***
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.01
 598

Regressão NGC – PL

####Pacotes Usados ###

library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
 599

## Please cite as:

## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.xlsx.csv", header = T,sep
= ";",dec = ".",quote = "\""))

base$Empresa<-as.factor(base$Empresa)#transformo os caracteres em fato

res (n?meros)
painel<-pdata.frame(base,
index=c("Empresa","Data"),
drop.index=TRUE,
row.names =TRUE)

names(painel)

summary(painel)

painel$NGC<-as.factor(painel$NGC)
Painel<-painel

nivel<-levels(painel$NGC)
###################################Basico#########
i=1
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Basico"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
 600

## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L

FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp1<-regp
regef1<-(regfe)
regrf1<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PrLc"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PrLc Basico
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
 601

## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
----
## EfOp -6.2806*** -1.6068 -5.1162
***
## (1.7862) (1.3454) (1.505
3)
##
## LIQ 3.3976** 4.5685 3.6423
**
## (1.4234) (4.2951) (1.565
8)
##
## End -60.0992 -5.3958 -57.71
15
## (73.3549) (43.8567) (66.482
0)
##
## Imob -8.3849 -29.6508 -5.801
7
## (35.7187) (82.6060) (34.873
9)
##
## Lnativo 7.9383 -4.2017 7.9155
*
## (4.9272) (29.5139) (4.311
5)
##
## PIB -635.7575 -673.9200 -658.40
99
## (798.0472) (780.9200) (799.43
89)
##
## IPCA -2.1120 -2.2938 -2.187
7
## (12.1374) (12.4679) (12.138
0)
##
## LFT -1,160.4150 -1,142.2190 -1,145.0
360
## (1,283.3950) (1,297.0590) (1,299.1
770)
 602

##
## Covid 13.8337 14.1837 13.679
4
## (12.0311) (16.0373) (12.124
0)
##
## Inov 46.9412 -25.5608** 42.348
7
## (50.4092) (11.6253) (48.631
3)
##
## Constant -106.4776 -108.17
31
## (108.6532) (96.772
1)
##
## -------------------------------------------------------------------
----
## Observations 1,049 1,049 1,049
## R2 0.0161 0.0027 0.011
8
## Adjusted R2 0.0066 -0.0590 0.002
3
## F Statistic 1.6955* (df = 10; 1038) 0.2645 (df = 10; 987) 12.258
8
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################BovespaMais1e2#########
i=2
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "BovespaMais1e2"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
 603

regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid

+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regp2<-regp
regef2<-(regfe)
regrf2<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))))

titulo<-paste("PrLc"," ", nivel[i])

stargazer(regp, regfe,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
##
## PrLc BovespaMais1e2
## ====================================================
## Dependent variable:
## ---------------------------------------
## vard
## Pooled FE
## (1) (2)
## ----------------------------------------------------
## EfOp 0.1853** 0.1183
## (0.0867) (0.0778)
##
 604

## LIQ 4.4335 16.1544***

## (8.3239) (5.2326)
##
## End -308.6914** 57.4673
## (120.6725) (187.0312)
##
## Imob 155.4499 -16.6243
## (208.3335) (185.3598)
##
## Lnativo 6.4665 -39.4720***
## (21.7038) (7.6550)
##
## PIB 1,040.5630 1,911.8760**
## (670.6033) (750.9014)
##
## IPCA 29.7968** 31.3931***
## (12.1653) (10.8764)
##
## LFT -150.1386 -443.5101
## (586.9940) (1,037.1880)
##
## Covid 12.3259*** 13.1117**
## (2.7642) (6.3719)
##
## Constant -130.6681
## (384.6946)
##
## ----------------------------------------------------
## Observations 78 78
## R2 0.1675 0.0755
## Adjusted R2 0.0573 -0.0952
## F Statistic 1.5199 (df = 9; 68) 0.5899 (df = 9; 65)
## ====================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Nivel1e2#########
i=3
filtro<-Painel$NGC==nivel[i]
 605

painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Nivel1e2"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa

regp3<-regp
regef3<-(regfe)
regrf3<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PrLc"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
 606

## PrLc Nivel1e2
## ===================================================================
==
## Dependent variable:
## ------------------------------------------------------
--
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
--
## EfOp -10.6722 -7.2853 -7.7514*
## (7.8746) (4.8096) (4.5390)
##
## LIQ 2.6210 9.6799 6.7626
## (9.6011) (16.4964) (11.3344)
##
## End 46.4865 63.4576 47.9157
## (47.7195) (87.6046) (32.8044)
##
## Imob -41.6558 -2.4111 -35.7920
## (31.2211) (108.2393) (35.3619)
##
## Lnativo -0.7785 -5.3671 -0.6445
## (4.4389) (28.0423) (4.1599)
##
## PIB -2,466.8800 -2,146.4070 -2,357.856
0
## (2,692.3710) (2,763.7090) (2,727.576
0)
##
## IPCA -17.3243* -16.7032* -17.3224*
## (10.0316) (9.9932) (10.0643)
##
## LFT -398.2152 -344.9675 -370.7855
## (997.5830) (920.0230) (968.5652
)
##
## Covid 25.2493 24.7777 23.8144
 607

## (21.9533) (26.2174) (21.7533)

##
## Inov -17.8976 -16.8985 -16.1797
## (13.0718) (16.7936) (11.6071)
##
## Constant 89.9061 77.3031
## (116.1153) (110.4444
)
##
## -------------------------------------------------------------------
--
## Observations 642 642 642
## R2 0.0206 0.0121 0.0133
## Adjusted R2 0.0051 -0.0501 -0.0023
## F Statistic 1.3289 (df = 10; 631) 0.7400 (df = 10; 603) 9.1351
## ===================================================================
==
## Note: *p<0.1; **p<0.05; ***p<0.
01
###################################Novo Mercado #########
i=4
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "NovoMeracdo"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled

regfe<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="within")#modelo efeito fixo para empresa

regre<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Cov

id+ Inov,data=painel, model="random", random.method="walhus")#modelo e
feito aleat?rio para empresa
 608

regp4<-regp
regef4<-(regfe)
regrf4<-(regre)

estatrobustos <-list(sqrt(diag(vcovHC(regp, type = "HC1"))),

sqrt(diag(vcovHC(regfe, type = "HC1"))),
sqrt(diag(vcovHC(regre, type = "HC1"))))

titulo<-paste("PrLc"," ", nivel[i])

stargazer(regp, regfe, regre,
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PrLc NovoMeracdo
## ===================================================================
=======
## Dependent variable:
## ------------------------------------------------------
-------
## vard
## Pooled FE
RE
## (1) (2) (
3)
## -------------------------------------------------------------------
-------
## EfOp -15.0419** -6.7244* -10.
4306**
## (6.2630) (3.6046) (4.
4991)
##
## LIQ 18.8973 30.4280 24.
0780
 609

## (12.3550) (23.6566) (15.

9564)
##
## End 1.1430 -155.1329 -24
.0043
## (81.6199) (224.9731) (125
.1029)
##
## Imob -1.6872 -182.1949 -1.
4039
## (55.1398) (224.8831) (81.
9942)
##
## Lnativo -1.1986 -6.0943 -2.
0262
## (8.6023) (40.1897) (13.
5966)
##
## PIB -1,548.7820 -1,440.9780 -1,55
3.3840
## (3,227.4380) (2,937.3010) (3,25
4.0270)
##
## IPCA -15.5053 -13.1140 -15
.6367
## (13.8538) (12.8442) (12.
8899)
##
## LFT -2,260.2860 -728.2898 -1,71
6.9100
## (1,974.6670) (1,386.7940) (1,70
3.8840)
##
## Covid -6.1655 7.9629 -8.
3449
## (25.3521) (33.0935) (21.
6902)
##
## Inov 18.9049 -131.2276 -19
.8691
## (23.0287) (84.1741) (35.
4376)
##
 610

## Constant 123.3597 140

.8373
## (189.4684) (283
.6967)
##
## -------------------------------------------------------------------
-------
## Observations 3,175 3,175 3,
175
## R2 0.0044 0.0091 0.
0042
## Adjusted R2 0.0013 -0.0533 0.
0010
## F Statistic 1.3994 (df = 10; 3164) 2.7322*** (df = 10; 2986) 13.
7715
## ===================================================================
=======
## Note: *p<0.1; **p<0.05; **
*p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))))

titulo<-paste("PrLc"," ", "Pooled")

stargazer(regp1,regp2, regp3,regp4,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## PrLc Pooled
## ===================================================================
==================================
## Dependent variable:
## ------------------------------------------------------
----------------------------------
 611

## vard
## Basico BovespaMais1e2 Nive
l1e2 NovoMeracdo
## (1) (2) (
3) (4)
## -------------------------------------------------------------------
----------------------------------
## EfOp -6.2806*** 0.1853** -10.
6722 -15.0419**
## (1.7862) (0.0867) (7.8
746) (6.2630)
##
## LIQ 3.3976** 4.4335 2.6
210 18.8973
## (1.4234) (8.3239) (9.6
011) (12.3550)
##
## End -60.0992 -308.6914** 46.
4865 1.1430
## (73.3549) (120.6725) (47.
7195) (81.6199)
##
## Imob -8.3849 155.4499 -41.
6558 -1.6872
## (35.7187) (208.3335) (31.
2211) (55.1398)
##
## Lnativo 7.9383 6.4665 -0.
7785 -1.1986
## (4.9272) (21.7038) (4.4
389) (8.6023)
##
## PIB -635.7575 1,040.5630 -2,46
6.8800 -1,548.7820
## (798.0472) (670.6033) (2,692
.3710) (3,227.4380)
##
## IPCA -2.1120 29.7968** -17.
3243* -15.5053
## (12.1374) (12.1653) (10.
0316) (13.8538)
##
## LFT -1,160.4150 -150.1386 -398
.2152 -2,260.2860
 612

## (1,283.3950) (586.9940) (997.

5830) (1,974.6670)
##
## Covid 13.8337 12.3259*** 25.
2493 -6.1655
## (12.0311) (2.7642) (21.
9533) (25.3521)
##
## Inov 46.9412 -17.
8976 18.9049
## (50.4092) (13.
0718) (23.0287)
##
## Constant -106.4776 -130.6681 89.
9061 123.3597
## (108.6532) (384.6946) (116.
1153) (189.4684)
##
## -------------------------------------------------------------------
----------------------------------
## Observations 1,049 78 6
42 3,175
## R2 0.0161 0.1675 0.0
206 0.0044
## Adjusted R2 0.0066 0.0573 0.0
051 0.0013
## F Statistic 1.6955* (df = 10; 1038) 1.5199 (df = 9; 68) 1.3289 (df
= 10; 631) 1.3994 (df = 10; 3164)
## ===================================================================
==================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))))

titulo<-paste("PrLc"," ", "Efeitos Fixos")

stargazer(regef1,regef2, regef3,regef4,
digits = 4,
 613

type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## PrLc Efeitos Fixos
## ===================================================================
===================================
## Dependent variable:
## ------------------------------------------------------
-----------------------------------
## vard
## Basico BovespaMais1e2 Nivel1
e2 NovoMeracdo
## (1) (2) (3)
(4)
## -------------------------------------------------------------------
-----------------------------------
## EfOp -1.6068 0.1183 -7.28
53 -6.7244*
## (1.3454) (0.0778) (4.809
6) (3.6046)
##
## LIQ 4.5685 16.1544*** 9.679
9 30.4280
## (4.2951) (5.2326) (16.49
64) (23.6566)
##
## End -5.3958 57.4673 63.45
76 -155.1329
## (43.8567) (187.0312) (87.60
46) (224.9731)
##
## Imob -29.6508 -16.6243 -2.41
11 -182.1949
## (82.6060) (185.3598) (108.23
93) (224.8831)
##
## Lnativo -4.2017 -39.4720*** -5.36
71 -6.0943
## (29.5139) (7.6550) (28.04
23) (40.1897)
##
 614

## PIB -673.9200 1,911.8760** -2,146.

4070 -1,440.9780
## (780.9200) (750.9014) (2,763.7
090) (2,937.3010)
##
## IPCA -2.2938 31.3931*** -16.70
32* -13.1140
## (12.4679) (10.8764) (9.993
2) (12.8442)
##
## LFT -1,142.2190 -443.5101 -344.9
675 -728.2898
## (1,297.0590) (1,037.1880) (920.02
30) (1,386.7940)
##
## Covid 14.1837 13.1117** 24.77
77 7.9629
## (16.0373) (6.3719) (26.21
74) (33.0935)
##
## Inov -25.5608** -16.89
85 -131.2276
## (11.6253) (16.79
36) (84.1741)
##
## -------------------------------------------------------------------
-----------------------------------
## Observations 1,049 78 642
3,175
## R2 0.0027 0.0755 0.012
1 0.0091
## Adjusted R2 -0.0590 -0.0952 -0.05
01 -0.0533
## F Statistic 0.2645 (df = 10; 987) 0.5899 (df = 9; 65) 0.7400 (df =
10; 603) 2.7322*** (df = 10; 2986)
## ===================================================================
===================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios

estatrobustos <-list(sqrt(diag(vcovHC(regrf1, type = "HC1"))),

sqrt(diag(vcovHC(regrf3, type = "HC1"))),
 615

sqrt(diag(vcovHC(regrf4, type = "HC1"))))

titulo<-paste("PrLc"," ", "Efeitos Aleatorios")

stargazer(regrf1, regrf3,regrf4,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,3,4)])
##
## PrLc Efeitos Aleatorios
## ===================================================
## Dependent variable:
## --------------------------------------
## vard
## Basico Nivel1e2 NovoMeracdo
## (1) (2) (3)
## ---------------------------------------------------
## EfOp -5.1162*** -7.7514* -10.4306**
## (1.5053) (4.5390) (4.4991)
##
## LIQ 3.6423** 6.7626 24.0780
## (1.5658) (11.3344) (15.9564)
##
## End -57.7115 47.9157 -24.0043
## (66.4820) (32.8044) (125.1029)
##
## Imob -5.8017 -35.7920 -1.4039
## (34.8739) (35.3619) (81.9942)
##
## Lnativo 7.9155* -0.6445 -2.0262
## (4.3115) (4.1599) (13.5966)
##
## PIB -658.4099 -2,357.8560 -1,553.3840
## (799.4389) (2,727.5760) (3,254.0270)
##
 616

## IPCA -2.1877 -17.3224* -15.6367

## (12.1380) (10.0643) (12.8899)
##
## LFT -1,145.0360 -370.7855 -1,716.9100
## (1,299.1770) (968.5652) (1,703.8840)
##
## Covid 13.6794 23.8144 -8.3449
## (12.1240) (21.7533) (21.6902)
##
## Inov 42.3487 -16.1797 -19.8691
## (48.6313) (11.6071) (35.4376)
##
## Constant -108.1731 77.3031 140.8373
## (96.7721) (110.4444) (283.6967)
##
## ---------------------------------------------------
## Observations 1,049 642 3,175
## R2 0.0118 0.0133 0.0042
## Adjusted R2 0.0023 -0.0023 0.0010
## F Statistic 12.2588 9.1351 13.7715
## ===================================================
## Note: *p<0.1; **p<0.05; ***p<0.01